دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب Predictive Analytics The Power to Predict Who Will Click, Buy, Lie, or Die, Revised and Updated
دانلود کتاب تجزیه و تحلیل پیشگو قدرت پیش بینی اینکه چه کسی کلیک کند، بخرد، دروغ بگوید یا بمیرد، بازبینی و به روز شد
مشخصات کتاب
Predictive Analytics The Power to Predict Who Will Click, Buy, Lie, or Die, Revised and Updated
ویرایش: [2. Auflage]
نویسندگان: Siegel. Eric
سری:
ISBN (شابک) : 9781118356852, 9781118596470
ناشر: John Wiley & Sons
سال نشر: 2016
تعداد صفحات: [338]
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 11 Mb
قیمت کتاب (تومان) : 31,000
در صورت تبدیل فایل کتاب Predictive Analytics The Power to Predict Who Will Click, Buy, Lie, or Die, Revised and Updated 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 پیشگو قدرت پیش بینی اینکه چه کسی کلیک کند، بخرد، دروغ بگوید یا بمیرد، بازبینی و به روز شد 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.
توضیحاتی در مورد کتاب تجزیه و تحلیل پیشگو قدرت پیش بینی اینکه چه کسی کلیک کند، بخرد، دروغ بگوید یا بمیرد، بازبینی و به روز شد
شما توسط شرکت ها، دولت ها، مجریان قانون، بیمارستان ها و دانشگاه ها پیش بینی شده اید. کامپیوترهایشان می گویند: "می دانستم که این کار را می کنی!" این موسسات قدرت پیش‌بینی کلیک کردن، خرید، دروغ گفتن یا مردن را به دست گرفته‌اند. چرا؟ دلایل خوبی دارد: پیش‌بینی رفتار انسان با خطرات مالی مبارزه می‌کند، مراقبت‌های بهداشتی را تقویت می‌کند، بر هرزنامه‌ها غلبه می‌کند، مبارزه با جرم و جنایت را سخت‌تر می‌کند و فروش را افزایش می‌دهد. چگونه؟ پیش‌بینی توسط قوی‌ترین و پررونق‌ترین منبع غیرطبیعی جهان انجام می‌شود: داده‌ها. داده‌ها که تا حد زیادی به عنوان محصول جانبی کارهای معمول جمع‌آوری می‌شوند، بقایای بدون نمک و بدون طعم هستند که به‌طور انبوه در حین دور شدن سازمان‌ها ذخیره می‌شوند. تعجب! این انبوه زباله یک معدن طلاست. کلان داده شامل یک تجربه فوق العاده است که می توان از آن آموخت. تجزیه و تحلیل پیش بینی کننده قدرت داده ها را آزاد می کند. با این فناوری، کامپیوتر به معنای واقعی کلمه از داده ها یاد می گیرد که چگونه رفتار آینده افراد را پیش بینی کند. پیش‌بینی کامل امکان‌پذیر نیست، اما قرار دادن شانس برای آینده - برداشتن مقداری از مه از نمای مبهم فردا - به معنای پرداختن به کثیفی است. در این آغازگر غنی و سرگرم‌کننده، اریک سیگل، استاد سابق دانشگاه کلمبیا و بنیان‌گذار پیش‌بینی‌کننده آنالیز جهانی، قدرت و خطرات پیش‌بینی را آشکار می‌کند: بانک چیس چه نوع رفتار وام مسکنی را پیش‌بینی کرد، پیش‌بینی اینکه چه افرادی ترک تحصیل می‌کنند، اشتراک را لغو می‌کنند، یا طلاق می‌گیرند. قبل از اینکه خودشان بدانند چرا بازنشستگی زودهنگام امید به زندگی را کاهش می‌دهد و گیاه‌خواران پروازهای کمتری را از دست می‌دهند پنج دلیل برای اینکه سازمان‌ها مرگ را پیش‌بینی می‌کنند چگونه بانک ایالات متحده و کمپین اوباما در سال 2012 روشی را برای تأثیرگذاری قوی‌تر بر هر فرد محاسبه کردند چگونه رایانه واتسون IBM بر انسان‌ها شکست خورد تلویزیون در خطر است! چگونه تارگت متوجه می‌شود که شما باردار هستید و هیولت پاکارد استنباط می‌کند که شما در شرف ترک شغل هستید. ، Google، IBM، IRS، Match.com، Pfizer و Wikipedia یک علم واقعاً فراگیر، تجزیه و تحلیل پیشگویانه همه روزه را تحت تأثیر قرار می دهد. اگرچه تا حد زیادی دیده نمی‌شود، اما میلیون‌ها تصمیم را هدایت می‌کند و تعیین می‌کند که با چه کسی تماس بگیرید، ایمیل بزنید، تحقیق کنید، زندانی کنید، قرار ملاقات بگذارید، یا از دارو استفاده کنید. چه مصرف‌کننده آن باشید، چه مصرف‌کننده آن باشید، قدرت تحلیل پیش‌بینی‌کننده را کنترل کنید.
توضیحاتی درمورد کتاب به خارجی
You have been predicted—by companies, governments, law enforcement, hospitals, and universities. Their computers say, "I knew you were going to do that!" These institutions are seizing upon the power to predict whether you're going to click, buy, lie, or die. Why? For good reason: predicting human behavior combats financial risk, fortifies healthcare, conquers spam, toughens crime fighting, and boosts sales. How? Prediction is powered by the world's most potent, booming unnatural resource: data. Accumulated in large part as the by-product of routine tasks, data is the unsalted, flavorless residue deposited en masse as organizations churn away. Surprise! This heap of refuse is a gold mine. Big data embodies an extraordinary wealth of experience from which to learn. Predictive analytics unleashes the power of data. With this technology, the computer literally learns from data how to predict the future behavior of individuals. Perfect prediction is not possible, but putting odds on the future—lifting a bit of the fog off our hazy view of tomorrow—means pay dirt. In this rich, entertaining primer, former Columbia University professor and Predictive Analytics World founder Eric Siegel reveals the power and perils of prediction: What type of mortgage behavior Chase Bank predicted Predicting which people will drop out of school, cancel a subscription, or get divorced before they are even aware of it themselves Why early retirement decreases life expectancy and vegetarians miss fewer flights Five reasons why organizations predict death How U.S. Bank and Obama's 2012 campaign calculated the way to most strongly influence each individual How IBM's Watson computer beat the human champs on TV's Jeopardy! How Target figures out you're pregnant and Hewlett-Packard deduces you're about to quit your job How judges and parole boards rely on crime-predicting computers to decide who stays in prison and who goes free What's predicted by Citibank, Facebook, Ford, Google, IBM, the IRS, Match.com, Pfizer, and Wikipedia A truly omnipresent science, predictive analytics affects everyone, every day. Although largely unseen, it drives millions of decisions, determining whom to call, mail, investigate, incarcerate, set up on a date, or medicate. Whether you are a consumer of it—or consumed by it—get a handle on the power of Predictive Analytics.
فهرست مطالب
Foreword Thomas H. Davenport xvii Preface to the Revised and Updated Edition xxi What's new and who's this book for-the Predictive Analytics FAQ Preface to the Original Edition xxix What is the occupational hazard of predictive analytics? Introduction The Prediction Effect 1 How does predicting human behavior combat risk, fortify healthcare,toughen crime fighting, boost sales, and cut costs? Why must a computer learn in order to predict? How can lousy predictions be extremely valuable?Whatmakes data exceptionally exciting?How is data science like porn?Whyshouldn't computers be called computers? Why do organizations predict when you will die? Chapter 1 Liftoff! Prediction Takes Action (deployment) 23 How much guts does it take to deploy a predictive model into field operation, and what do you stand to gain?Whathappens when aman invests his entire life savings into his own predictive stock market trading system? Chapter 2 With Power Comes Responsibility: Hewlett-Packard,Target, the Cops, and the NSA Deduce Your Secrets (ethics) 47 How do we safely harness a predictive machine that can foresee job resignation, pregnancy, and crime? Are civil liberties at risk? Why does one leading health insurance company predict policyholder death?Two extended sidebars reveal: 1) Does the government undertake fraud detection more for its citizens or for self-preservation, and 2) for what compelling purpose does the NSA need your data even if you have no connection to crime whatsoever, and can the agency use machine learning supercomputers to fight terrorism without endangering human rights? Chapter 3 The Data Effect: A Glut at the End of the Rainbow (data) 103 We are upto our ears in data, but how much can this raw material really tell us? What actually makes it predictive? What are the most bizarre discoveries from data? When we find an interesting insight, why are we often better off not asking why? In what way is bigger data more dangerous? How do we avoid being fooled by random noise and ensure scientific discoveries are trustworthy? Chapter 4 The Machine That Learns: A Look inside Chase's Prediction of Mortgage Risk (modeling) 147 What form of risk has the perfect disguise? How does prediction transform risk to opportunity? What should all businesses learn from insurance companies? Why does machine learning require art in addition to science? What kind of predictive model can be understood by everyone? How can we confidently trust a machine's predictions? Why couldn't prediction prevent the global financial crisis? Chapter 5 The Ensemble Effect: Netflix, Crowdsourcing, and Supercharging Prediction (ensembles) 185 To crowd source predictive analytics-outsource it to the public at large-a company launches its strategy, data, and research discoveries into the public spotlight. How can this possibly help the company compete? What key innovation in predictive analytics has crowd sourcing helped develop? Must supercharging predictive precision involve overwhelming complexity, or is there an elegant solution? Is there wisdom in nonhuman crowds? Chapter 6 Watson and the Jeopardy! Challenge (question answering) 207 How does Watson-IBM's Jeopardy!-playing computer-work? Why does it need predictive modeling in order to answer questions, and what secret sauce empowers its high performance? How does the iPhone's Siri compare? Why is human language such a challenge for computers? Is artificial intelligence possible? Chapter 7 Persuasion by the Numbers: How Telenor, U.S. Bank, and the Obama Campaign Engineered Influence (uplift) 251 What is the scientific key to persuasion? Why does some marketing fiercely backfire? Why is human behavior the wrong thing to predict? What should all businesses learn about persuasion from presidential campaigns? What voter predictions helped Obama win in 2012 more than the detection of swing voters? How could doctors kill fewer patients inadvertently? How is a person like a quantum particle? Riddle: What often happens to you that cannot be perceived and that you can't even be sure has happened afterward-but that can be predicted in advance? Afterword 291 Eleven Predictions for the First Hour of 2022 Appendices A. The Five Effects of Prediction 295 B. Twenty Applications of Predictive Analytics 296 C. Prediction People-Cast of "Characters" 300 Hands-On Guide 303 Resources for Further Learning Acknowledgments 307 About the Author 311 Index 313 Also see the Central Tables (color insert) for a cross-industry compendium of 182 examples of predictive analytics. This book's Notes-120 pages of citations and comments pertaining to the chapters above-are available online at www.PredictiveNotes.com.
