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: Hemachandran K., Sayantan Khanra, Raul V. Rodriguez, Juan Jaramillo سری: ISBN (شابک) : 1032072814, 9781032072814 ناشر: Routledge/Productivity Press سال نشر: 2022 تعداد صفحات: 189 [191] زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 3 Mb
در صورت تبدیل فایل کتاب Machine Learning for Business Analytics: Real-Time Data Analysis for Decision-Making 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 یادگیری ماشین برای تجزیه و تحلیل کسب و کار: تجزیه و تحلیل داده ها در زمان واقعی برای تصمیم گیری 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.
ماشین یادگیری ابزاری جدایی ناپذیر در زرادخانه تحلیلگران کسب و کار است زیرا سرعت تولید داده ها از منابع مختلف در حال افزایش است و کار بر روی داده های پیچیده بدون ساختار اجتناب ناپذیر می شود. تجزیه و تحلیل جمع آوری داده، پاکسازی داده ها و داده کاوی به سرعت نسبت به وارد کردن اطلاعات از یک منبع اولیه یا ثانویه دشوارتر می شود. مدل یادگیری ماشین نقش مهمی در پیشبینی عملکرد و نتایج آینده یک شرکت دارد. در زمان واقعی، جمعآوری دادهها و جدال دادهها گامهای مهم در استقرار مدلها هستند. تجزیه و تحلیل ابزاری برای تجسم و هدایت داده ها و آمار است. تحلیلگران کسب و کار می توانند با مجموعه داده های مختلف کار کنند - انتخاب یک مدل یادگیری ماشین مناسب منجر به تجزیه و تحلیل دقیق، پیش بینی آینده و تصمیم گیری آگاهانه می شود.
بازار جهانی یادگیری ماشینی در سال 2017 1.58 میلیارد دلار ارزش داشت و انتظار میرود در سال 2024 به 20.83 میلیارد دلار برسد -- با رشد CAGR 44.06 درصدی بین سالهای 2017 و 2024. نویسندگان دانش مهمی را در مورد برنامه های کاربردی یادگیری ماشین در زمان واقعی در تجزیه و تحلیل کسب و کار گردآوری کرده اند. این کتاب خوانندگان را قادر می سازد تا دانش گسترده ای در زمینه مدل های یادگیری ماشین کسب کنند و کارهای تحقیقاتی آینده خود را انجام دهند. روندهای آینده یادگیری ماشین برای تجزیه و تحلیل کسب و کار با مطالعات موردی واقعی توضیح داده شده است.
در اصل، این کتاب به عنوان یک راهنمای برای تمام تحلیلگران تجاری عمل می کند. نویسندگان اصول اولیه تجزیه و تحلیل داده ها و یادگیری ماشین را با هم ترکیب کرده و کاربرد آن را به تجزیه و تحلیل تجاری گسترش می دهند. این کتاب به عنوان یک مقدمه عالی عمل می کند و کاربردها و مفاهیم یادگیری ماشین را پوشش می دهد. نویسندگان تجربه دست اولی از کاربردهای یادگیری ماشین برای تجزیه و تحلیل تجاری در بخش تجزیه و تحلیل بلادرنگ ارائه می دهند. مطالعات موردی این تئوری را عملی میکند تا بتوانید تجربه عملی با یادگیری ماشین و تجزیه و تحلیل دادهها را دریافت کنید. این کتاب منبع ارزشمندی برای پزشکان، صنعت گران، فناوران و محققان است.
Machine Learning is an integral tool in a business analyst’s arsenal because the rate at which data is being generated from different sources is increasing and working on complex unstructured data is becoming inevitable. Data collection, data cleaning, and data mining are rapidly becoming more difficult to analyze than just importing information from a primary or secondary source. The machine learning model plays a crucial role in predicting the future performance and results of a company. In real-time, data collection and data wrangling are the important steps in deploying the models. Analytics is a tool for visualizing and steering data and statistics. Business analysts can work with different datasets -- choosing an appropriate machine learning model results in accurate analyzing, forecasting the future, and making informed decisions.
The global machine learning market was valued at $1.58 billion in 2017 and is expected to reach $20.83 billion in 2024 -- growing at a CAGR of 44.06% between 2017 and 2024. The authors have compiled important knowledge on machine learning real-time applications in business analytics. This book enables readers to get broad knowledge in the field of machine learning models and to carry out their future research work. The future trends of machine learning for business analytics are explained with real case studies.
Essentially, this book acts as a guide to all business analysts. The authors blend the basics of data analytics and machine learning and extend its application to business analytics. This book acts as a superb introduction and covers the applications and implications of machine learning. The authors provide first-hand experience of the applications of machine learning for business analytics in the section on real-time analysis. Case studies put the theory into practice so that you may receive hands-on experience with machine learning and data analytics. This book is a valuable source for practitioners, industrialists, technologists, and researchers.