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: [1 ed.]
نویسندگان: Rajesh Jugulum
سری:
ISBN (شابک) : 0367760487, 9780367760489
ناشر: Productivity Pr
سال نشر: 2022
تعداد صفحات: 100
زبان: English
فرمت فایل : RAR (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 13 Mb
در صورت تبدیل فایل کتاب Common Data Sense for Professionals 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 حس مشترک داده برای حرفه ای ها 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.
دادهها بخش ذاتی زندگی روزمره ما هستند. هر کاری که ما انجام می دهیم یک نقطه داده است. بسیاری از این نقاط داده با هدف کمک به ما برای داشتن زندگی کارآمدتر ثبت می شوند. ما برنامه هایی داریم که تمرینات، خواب، مصرف غذا و امور مالی شخصی ما را ردیابی می کند. ما از داده ها برای ایجاد تغییراتی در زندگی خود بر اساس اهدافی که برای خود تعیین کرده ایم استفاده می کنیم. کسب و کارها از مجموعه وسیعی از داده ها برای تعیین استراتژی و بازاریابی استفاده می کنند. دانشمندان داده داده ها را می گیرند، آن ها را تجزیه و تحلیل می کنند و مدل هایی را برای کمک به حل مسائل ایجاد می کنند. ممکن است در مورد شرکت هایی شنیده باشید که تیم های مدیریت داده یا افسران ارشد اطلاعات (CIO) یا افسران ارشد داده (CDO) و غیره دارند. همه آنها افرادی هستند که با داده ها کار می کنند، اما عملکرد آنها بیشتر به بررسی داده ها و آماده سازی آنها برای استفاده مربوط می شود. توسط دانشمندان داده
جهش از استفاده از دادههای شخصی برای بهبود خود به تجزیه و تحلیل دادههای انبوه برای بهبود فرآیند کسبوکار اغلب برای ما بزرگتر از آنچه هست به نظر میرسد. به نوبه خود، ما اغلب فکر می کنیم که تجزیه و تحلیل کلان داده ها به ابزارهایی نیاز دارد که فقط توسط دارندگان مدرک پیشرفته نگهداری می شوند. اگرچه مدارک پیشرفته مطمئناً ارزشمند هستند، این کتاب نشان میدهد که چگونه برای اجرای کافی یک پروژه علم داده الزامی نیست. از آنجایی که همه ما قبلاً کاربر داده هستیم، با برخی استراتژیهای ساده و قرار گرفتن در معرض برنامههای نرمافزار تحلیلی پایه، هر کسی که ابزار و اراده مناسب را داشته باشد میتواند مشکلات علم داده را حل کند. فرآیند ارائه شده در این کتاب به توانمندسازی افراد برای کار و حل چالش های مربوط به داده ها کمک می کند.
هدف این کتاب ارائه یک راهنمای گام به گام برای فرآیند علم داده است تا بتوانید در رهبری پروژه علم داده خود احساس اطمینان کنید. برای کمک به وضوح و درک، نویسنده یک رستوران زنجیره ای خیالی را برای استفاده به عنوان مطالعه موردی ارائه می دهد و نشان می دهد که چگونه موضوعات مختلف مورد بحث را می توان اعمال کرد. اساساً، این کتاب به تجار سنتی کمک می کند تا مشکلات مربوط به داده ها را خودشان بدون هیچ تردید یا ترسی حل کنند. روش های قدرتمند در قالب گفتگو، مثال و مطالعات موردی ارائه شده است. سبک مکالمه جذاب است و وضوح را ارائه می دهد.
Data is an intrinsic part of our daily lives. Everything we do is a data point. Many of these data points are recorded with the intent to help us lead more efficient lives. We have apps that track our workouts, sleep, food intake, and personal finance. We use the data to make changes to our lives based on goals we have set for ourselves. Businesses use vast collections of data to determine strategy and marketing. Data scientists take data, analyze it, and create models to help solve problems. You may have heard of companies having data management teams or chief information officers (CIOs) or chief data officers (CDOs), etc. They are all people who work with data, but their function is more related to vetting data and preparing it for use by data scientists.
The jump from personal data usage for self-betterment to mass data analysis for business process improvement often feels bigger to us than it is. In turn, we often think big data analysis requires tools held only by advanced degree holders. Although advanced degrees are certainly valuable, this book illustrates how it is not a requirement to adequately run a data science project. Because we are all already data users, with some simple strategies and exposure to basic analytical software programs, anyone who has the proper tools and determination can solve data science problems. The process presented in this book will help empower individuals to work on and solve data-related challenges.
The goal of this book is to provide a step-by-step guide to the data science process so that you can feel confident in leading your own data science project. To aid with clarity and understanding, the author presents a fictional restaurant chain to use as a case study, illustrating how the various topics discussed can be applied. Essentially, this book helps traditional businesspeople solve data-related problems on their own without any hesitation or fear. The powerful methods are presented in the form of conversations, examples, and case studies. The conversational style is engaging and provides clarity.
Cover Half Title Title Page Copyright Page Table of Contents Foreword Preface Acknowledgments Author Chapter 1 The Meeting of Manju and Jim Chapter 2 Understanding the Problem Phase 1 Problem Definition Goal Setting Organizational Cohesion Measurement Chapter 3 Analyzing the Problem and Collecting Data Phase 2 Deep Dive Analysis Data Identification and Collection Understanding the Risk and Uncertainty Risk and Uncertainty in Data Measurement Error Risk and Uncertainty Due to the Existence of Variation Risk and Uncertainty in Prediction, Diagnosis, and Decision-Making Risk and Uncertainty in Analytics Process Execution Risk and Uncertainty Due to Incomplete Information Risk and Uncertainty Due to Procrastination Chapter 4 Creating and Analyzing Models Phase 3 Data Analysis and Model Selection Characteristics of Successful Analytics Different Types of Analytics Outcome Analysis Individualized Analytics for Eat Healthy Problem Chapter 5 Project Structure Data Science Project Structure Six Sigma Process-Oriented Approach Chapter 6 Data Science Stories Case Example 1: Proactive Detection and Diagnosis of Overall Health Case Example 2: Improving Customer Satisfaction by Building a Predictive Model Chapter 7 Concept Review Concept Review Phase 1: Understanding the Problem Phase 2: Analyzing the Problem and Collecting Data Phase 3: Creating and Analyzing Models Project Structure Chapter 8 Manju and Jim’s Concluding Meeting References Index