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: Jugulum. Rajesh
سری: Continuous Improvement Ser
ISBN (شابک) : 9780429877261, 0429877269
ناشر: Chapman and Hall/CRC
سال نشر: 2018
تعداد صفحات: 143
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 6 مگابایت
کلمات کلیدی مربوط به کتاب کیفیت قوی: ادغام قدرتمند علم داده و مهندسی فرآیند: مهندسی تولید -- پردازش داده ها، مهندسی تولید -- نوآوری های فناوری، کامپیوتر / مدیریت پایگاه داده / داده کاوی، فناوری و مهندسی / کنترل کیفیت.
در صورت تبدیل فایل کتاب Robust Quality: Powerful Integration of Data Science and Process Engineering 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 کیفیت قوی: ادغام قدرتمند علم داده و مهندسی فرآیند 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.
از لحاظ تاریخی، اصطلاح کیفیت برای اندازه گیری عملکرد در زمینه
محصولات، فرآیندها و سیستم ها استفاده می شد. با رشد سریع داده ها
و استفاده از آن، کیفیت داده ها بسیار مهم می شود. اتصال این دو
جنبه کیفیت برای اطمینان از عملکرد بهتر مهم است. این کتاب ارتباط
قوی بین مفاهیم علم داده و مهندسی فرآیند فراهم میکند که برای
اطمینان از سطوح کیفی بهتر لازم است و شما را از طریق یک
رویکرد سیستماتیک برای اندازهگیری کیفیت جامع راهنمایی میکند.
با چندین مطالعه موردی. ادامه
مطلب...
چکیده: از لحاظ تاریخی، اصطلاح کیفیت استفاده میشده است. برای
اندازه گیری عملکرد در زمینه محصولات، فرآیندها و سیستم ها. با
رشد سریع داده ها و استفاده از آن، کیفیت داده ها بسیار مهم می
شود. اتصال این دو جنبه کیفیت برای اطمینان از عملکرد بهتر مهم
است. این کتاب ارتباط قوی بین مفاهیم علوم داده و مهندسی فرآیند
فراهم می کند که برای اطمینان از سطوح کیفیت بهتر ضروری است و شما
را از طریق یک رویکرد سیستماتیک برای اندازه گیری کیفیت کل نگر با
چندین مطالعه موردی راهنمایی می کند.
Historically, the term quality was used to measure performance
in the context of products, processes and systems. With rapid
growth in data and its usage, data quality is becoming quite
important. It is important to connect these two aspects of
quality to ensure better performance. This book provides a
strong connection between the concepts in data science and
process engineering that is necessary to ensure better
quality levels and
takes you through a systematic approach to measure holistic
quality with several case studies. Read
more...
Abstract: Historically, the term quality was used to measure
performance in the context of products, processes and systems.
With rapid growth in data and its usage, data quality is
becoming quite important. It is important to connect these two
aspects of quality to ensure better performance. This book
provides a strong connection between the concepts in data
science and process engineering that is necessary to ensure
better quality levels and takes you through a systematic
approach to measure holistic quality with several case studies
Content: Cover
Half Title
Title Page
Copyright Page
Table of Contents
Foreword
Preface
Acknowledgments
Author
Chapter 1: The Importance of Data Quality and Process Quality
1.1 Introduction
1.2 Importance of Data Quality
Implications of Data Quality
Data Management Function
1.3 Importance of Process Quality
Six Sigma Methodologies
Development of Six Sigma Methodologies
Process Improvements through Lean Principles
Process Quality Based on Quality Engineering or Taguchi Approach
1.4 Integration of Process Engineering and Data Science for Robust Quality. Chapter 2: Data Science and Process Engineering Concepts2.1 Introduction
2.2 The Data Quality Program
Data Quality Capabilities
2.3 Structured Data Quality Problem-Solving Approach
The Define Phase
The Assess Phase
Measuring Data Quality
Measurement of Data Quality Scores
The Improve Phase
The Control Phase
2.4 Process Quality Methodologies
Development of Six Sigma Methodologies
Design for Lean Six Sigma Methodology
2.5 Taguchi's Quality Engineering Approach
Engineering Quality
Evaluation of Functional Quality through Energy Transformation. Understanding the Interactions between Control and Noise FactorsUse of Orthogonal Arrays
Use of Signal-to-Noise Ratios to Measure Performance
Two-Step Optimization
Tolerance Design for Setting up Tolerances
Additional Topics in Taguchi's Approach
Parameter Diagram
Design of Experiments
Types of Experiments
2.6 Importance of Integrating Data Quality and Process Quality for Robust Quality
Brief Discussion on Statistical Process Control
Chapter 3: Building Data and Process Strategy and Metrics Management
3.1 Introduction
3.2 Design and Development of Data and Process Strategies. 3.3 Alignment with Corporate Strategy and Prioritizing the Requirements3.4 Axiomatic Design Approach
Design Axioms
Designing through Domain Interplay
Functional Requirements-Design Parameters Decomposition-Data Innovation
Functional Requirements
Design Parameters
Functional Requirements-Design Parameters Decomposition-Decision Support
Functional Requirements
Design Parameters
Functional Requirements-Design Parameters Decomposition-Data Risk Management and Compliance
Functional Requirements
Design Parameters. Functional Requirements-Design Parameters Decomposition-Data Access ControlFunctional Requirements
Design Parameters
End-to-End Functional Requirements-Design Parameters Matrix
3.5 Metrics Management
Step 1: Defining and Prioritizing Strategic Metrics
Step 2: Define Goals for Prioritized Strategic Metrics
Step 3: Evaluation of Strategic Metrics
Common Causes and Special Causes
Step 4: Discovery of Root Cause Drivers
Chapter 4: Robust Quality-An Integrated Approach for Ensuring Overall Quality
4.1 Introduction.