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: [1st ed. 2021] نویسندگان: Jeffrey C. Chen, Edward A. Rubin, Gary J. Cornwall سری: ISBN (شابک) : 3030713512, 9783030713515 ناشر: Springer سال نشر: 2021 تعداد صفحات: 377 [365] زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 20 Mb
در صورت تبدیل فایل کتاب Data Science for Public Policy (Springer Series in the Data Sciences) 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 علم داده برای سیاست عمومی (سری اسپرینگر در علوم داده) 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 درسی ابزارهای اساسی و مفاهیم اصلی علم داده را به مقامات دولتی، تحلیلگران سیاست و اقتصاددانان در میان دیگران ارائه می دهد تا کاربرد آنها را در بخش عمومی بیشتر کند. این کتاب با بسط چارچوبهای کمی اقتصاد ارائه شده در مدارس سیاستگذاری و بازرگانی، بر فرآیند پرسیدن سؤالات مرتبط برای اطلاعرسانی به سیاستهای عمومی تأکید میکند. تکنیکها و رویکردهای آن بر شیوههای دادهمحور تأکید میکنند، که با پارادایمهای برنامهنویسی اساسی که بیشتر وقت یک تحلیلگر را اشغال میکنند شروع میشود و تا کاربردهای عملی یادگیری آماری و یادگیری ماشینی پیش میرود. این متن دو دیدگاه متفاوت و متضاد را برای پشتیبانی از کاربردهای آن در نظر میگیرد و تکنیکهایی را از استنتاج علی و پیشبینی ترکیب میکند. علاوه بر این، این کتاب شامل داده های منبع باز و همچنین کدهای زنده است که به زبان R نوشته شده و به صورت نوت بوک ارائه شده است، که خوانندگان می توانند برای تمرین کار با داده ها از آنها استفاده کرده و تغییر دهند.
This textbook presents the essential tools and core concepts of data science to public officials, policy analysts, and economists among others in order to further their application in the public sector. An expansion of the quantitative economics frameworks presented in policy and business schools, this book emphasizes the process of asking relevant questions to inform public policy. Its techniques and approaches emphasize data-driven practices, beginning with the basic programming paradigms that occupy the majority of an analyst’s time and advancing to the practical applications of statistical learning and machine learning. The text considers two divergent, competing perspectives to support its applications, incorporating techniques from both causal inference and prediction. Additionally, the book includes open-sourced data as well as live code, written in R and presented in notebook form, which readers can use and modify to practice working with data.