Handbook of Computational Social Science, Volume 2: Data Science, Statistical Modelling, and Machine Learning Methods

راهنمای علوم اجتماعی محاسباتی یک منبع مرجع جامع برای محققان در رشته‌های مختلف است. این کتاب بحث‌های کلیدی در این زمینه را تشریح می‌کند، مدل‌سازی آماری جدید و روش‌های یادگیری ماشین را به نمایش می‌گذارد، و از مطالعات موردی خاص برای نشان دادن فرصت‌ها و چالش‌ها در رویکردهای CSS استفاده می‌کند.

این کتاب به دو جلد تقسیم شده است که توسط افراد برجسته نوشته شده است. ، دانشمندان مشهور بین المللی در این زمینه. این جلد دوم بر پایه‌ها و پیشرفت‌ها در علم داده، مدل‌سازی آماری و یادگیری ماشین تمرکز دارد. طیف وسیعی از مسائل کلیدی، از جمله مدیریت داده های بزرگ از نظر پیوند رکورد، جریان و داده های از دست رفته را پوشش می دهد. یادگیری ماشین، مدل‌سازی آماری و مبتنی بر عامل، و همچنین کیفیت داده‌ها در رابطه با ردیابی دیجیتال و داده‌های متنی، و همچنین نمونه‌های احتمالی، غیراحتمالی و جمع‌سپاری کانون‌های بیشتری را نشان می‌دهند. این حجم نه تنها سهم عمده‌ای در تثبیت این زمینه تحقیقاتی رو به رشد دارد، بلکه رشد را در جهت‌های جدید تشویق می‌کند.

با پوشش گسترده‌ای از دیدگاه‌ها (نظری، روش‌شناختی، محاسباتی)، دامنه بین‌المللی، و بین رشته‌ای با رویکرد، این منبع مهم برای دانشجویان پیشرفته، کارشناسی ارشد، و محققانی است که با روش‌های محاسباتی در سراسر علوم اجتماعی و همچنین کسانی که در بخش‌های علمی و مهندسی درگیر هستند، مطالعه کاملی دارد.

The Handbook of Computational Social Science is a comprehensive reference source for scholars across multiple disciplines. It outlines key debates in the field, showcasing novel statistical modeling and machine learning methods, and draws from specific case studies to demonstrate the opportunities and challenges in CSS approaches.

The Handbook is divided into two volumes written by outstanding, internationally renowned scholars in the field. This second volume focuses on foundations and advances in data science, statistical modeling, and machine learning. It covers a range of key issues, including the management of big data in terms of record linkage, streaming, and missing data. Machine learning, agent-based and statistical modeling, as well as data quality in relation to digital trace and textual data, as well as probability, non-probability, and crowdsourced samples represent further foci. The volume not only makes major contributions to the consolidation of this growing research field, but also encourages growth into new directions.

With its broad coverage of perspectives (theoretical, methodological, computational), international scope, and interdisciplinary approach, this important resource is integral reading for advanced undergraduates, postgraduates, and researchers engaging with computational methods across the social sciences, as well as those within the scientifi c and engineering sectors.