دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب Big data and social science: a practical guide to methods and tools
دانلود کتاب کلان داده ها و علوم اجتماعی: راهنمای عملی روش ها و ابزارها
مشخصات کتاب
Big data and social science: a practical guide to methods and tools
ویرایش: نویسندگان: Ian Foster, Rayid Ghani, Ron S. Jarmin, Frauke Kreuter, Julia Lane سری: Statistics in the social and behavioral sciences series ISBN (شابک) : 1498751407, 9781498751407 ناشر: Chapman and Hall/CRC, Taylor & Francis Group سال نشر: 2017 تعداد صفحات: 377 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 5 مگابایت
قیمت کتاب (تومان) : 50,000
در صورت ایرانی بودن نویسنده امکان دانلود وجود ندارد و مبلغ عودت داده خواهد شد
کلمات کلیدی مربوط به کتاب کلان داده ها و علوم اجتماعی: راهنمای عملی روش ها و ابزارها: علوم اجتماعی، پردازش داده، علوم اجتماعی، روش های آماری، داده کاوی، داده های بزرگ، علوم اجتماعی، داده های جمعی
در صورت تبدیل فایل کتاب Big data and social science: a practical guide to methods and tools به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب کلان داده ها و علوم اجتماعی: راهنمای عملی روش ها و ابزارها نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
توضیحاتی در مورد کتاب کلان داده ها و علوم اجتماعی: راهنمای عملی روش ها و ابزارها
هم دانش‌آموزان سنتی و هم متخصصان شاغل، مهارت‌هایی را برای تجزیه و تحلیل مشکلات اجتماعی به دست می‌آورند.
داده‌های بزرگ و علوم اجتماعی: راهنمای عملی روش‌ها و ابزارها نشان می دهد که چگونه می توان علم داده را در مسائل دنیای واقعی هم در تحقیق و هم در عمل به کار برد. این کتاب راهنمایی های عملی در مورد ترکیب روش ها و ابزارهای علوم کامپیوتر، آمار و علوم اجتماعی ارائه می دهد. این رویکرد عینی در سراسر استفاده از یک مشکل مهم ملی، یعنی مطالعه کمی نوآوری، نشان داده شده است.
این متن از تخصص رهبران برجسته در آمار، علوم اجتماعی، علوم داده و علوم کامپیوتر برای آموزش به دانش‌آموزان استفاده می‌کند. نحوه استفاده از اصول مدرن تحقیقات علوم اجتماعی و همچنین بهترین ابزارهای تحلیلی و محاسباتی. از یک چالش دنیای واقعی برای معرفی نحوه استفاده از این ابزارها برای شناسایی و جمع‌آوری داده‌های مناسب، استفاده از مدل‌ها و ابزارهای علم داده برای آن داده‌ها و شناسایی و پاسخ به خطاها و محدودیت‌های داده استفاده می‌کند.
برای اطلاعات بیشتر، از جمله فصل‌های نمونه و اخبار، لطفاً از وبسایت نویسنده بازدید کنید.
توضیحاتی درمورد کتاب به خارجی
Both Traditional Students and Working Professionals Acquire the Skills to Analyze Social Problems.
Big Data and Social Science: A Practical Guide to Methods and Tools shows how to apply data science to real-world problems in both research and the practice. The book provides practical guidance on combining methods and tools from computer science, statistics, and social science. This concrete approach is illustrated throughout using an important national problem, the quantitative study of innovation.
The text draws on the expertise of prominent leaders in statistics, the social sciences, data science, and computer science to teach students how to use modern social science research principles as well as the best analytical and computational tools. It uses a real-world challenge to introduce how these tools are used to identify and capture appropriate data, apply data science models and tools to that data, and recognize and respond to data errors and limitations.
For more information, including sample chapters and news, please visit the author's website.
فهرست مطالب
Content: Introduction Why this book? Defining big data and its value Social science, inference, and big data Social science, data quality, and big data New tools for new data The book's "use case" The structure of the book Resources Capture and Curation Working with Web Data and APIs Introduction Scraping information from the web New data in the research enterprise A functional view Programming against an API Using the ORCID API via a wrapper Quality, scope, and management Integrating data from multiple sources Working with the graph of relationships Bringing it together: Tracking pathways to impact Summary Resources Acknowledgements and copyright Record Linkage Motivation Introduction to record linkage Preprocessing data Classification Record linkage and data protection Summary Resources Databases Introduction DBMS: When and why Relational DBMSs Linking DBMSs and other tools NoSQL databases Spatial databases Which database to use? Summary Resources Programming with Big Data Introduction The MapReduce programming model Apache Hadoop MapReduce Apache Spark Summary Resources Modeling and Analysis Machine Learning Introduction What is machine learning? The machine learning process Problem formulation: Mapping a problem to machine learning methods Methods Evaluation Practical tips How can social scientists benefit from machine learning? Advanced topics Summary Resources Text Analysis Understanding what people write How to analyze text Approaches and applications Evaluation Text analysis tools Summary Resources Networks: The Basics Introduction Network data Network measures Comparing collaboration networks Summary Resources Inference and Ethics Information Visualization Introduction Developing effective visualizations A data-by-tasks taxonomy Challenges Summary Resources Errors and Inference Introduction The total error paradigm Illustrations of errors in big data Errors in big data analytics Some methods for mitigating, detecting, and compensating for errors Summary Resources Privacy and Confidentiality Introduction Why is access at all important? Providing access The new challenges Legal and ethical framework Summary Resources Workbooks Introduction Environment Workbook details Resources Bibliography
