دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
ویرایش:
نویسندگان: Walter R. Paczkowski
سری:
ISBN (شابک) : 3030870227, 9783030870225
ناشر: Springer
سال نشر: 2022
تعداد صفحات: 425
[416]
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 14 Mb
در صورت تبدیل فایل کتاب Business Analytics: Data Science for Business Problems 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 تجزیه و تحلیل کسب و کار: علم داده برای مشکلات تجاری 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.
این کتاب بر سه مورد نیاز دانش اصلی برای تجزیه و تحلیل موثر و کامل داده ها برای حل مشکلات تجاری تمرکز دارد. اینها یک درک اساسی از:
1 است. تکنیک های آماری، اقتصادسنجی و یادگیری ماشین؛
2. قابلیت های مدیریت داده ها؛
3. حداقل یک زبان برنامه نویسی.
در جهت گیری عملی، این جلد مطالعات موردی گویا و نمونه هایی با
استفاده از پایتون را در زمینه نوت بوک های Jupyter ارائه می
دهد. موضوعات تحت پوشش شامل اندازه گیری و پیش بینی تقاضا، مدل
سازی پیش بینی، تجزیه و تحلیل قیمت، ارزیابی رضایت مشتری،
تحقیقات بازار و تبلیغات، و توسعه و تحقیق محصول جدید است. این
جلد برای تحلیلگران داده های کسب و کار، دانشمندان داده و
متخصصان تحقیقات بازار و همچنین شاغلین مشتاق در تجزیه و تحلیل
داده های تجاری مفید خواهد بود. همچنین میتوان از آن در
کالجها و دانشگاههایی استفاده کرد که دورهها و گواهیهایی را
در زمینه تجزیه و تحلیل دادههای تجاری، علم داده، و تحقیقات
بازار ارائه میدهند.
This book focuses on three core knowledge requirements for effective and thorough data analysis for solving business problems. These are a foundational understanding of:
1. statistical, econometric, and machine learning
techniques;
2. data handling capabilities;
3. at least one programming language.
Practical in orientation, the volume offers illustrative case
studies throughout and examples using Python in the context
of Jupyter notebooks. Covered topics include demand
measurement and forecasting, predictive modeling, pricing
analytics, customer satisfaction assessment, market and
advertising research, and new product development and
research. This volume will be useful to business data
analysts, data scientists, and market research professionals,
as well as aspiring practitioners in business data analytics.
It can also be used in colleges and universities offering
courses and certifications in business data analytics, data
science, and market research.