ورود به حساب

نام کاربری گذرواژه

گذرواژه را فراموش کردید؟ کلیک کنید

حساب کاربری ندارید؟ ساخت حساب

ساخت حساب کاربری

نام نام کاربری ایمیل شماره موبایل گذرواژه

برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید


09117307688
09117179751

در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید

دسترسی نامحدود

برای کاربرانی که ثبت نام کرده اند

ضمانت بازگشت وجه

درصورت عدم همخوانی توضیحات با کتاب

پشتیبانی

از ساعت 7 صبح تا 10 شب

دانلود کتاب Sharing Data and Models in Software Engineering

دانلود کتاب به اشتراک گذاری داده ها و مدل ها در مهندسی نرم افزار

Sharing Data and Models in Software Engineering

مشخصات کتاب

Sharing Data and Models in Software Engineering

ویرایش: 1 
نویسندگان: , , , ,   
سری:  
ISBN (شابک) : 0124172954, 9780124172951 
ناشر: Morgan Kaufmann 
سال نشر: 2014 
تعداد صفحات: 378 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 15 مگابایت 

قیمت کتاب (تومان) : 32,000



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 3


در صورت تبدیل فایل کتاب Sharing Data and Models in Software 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 به اشتراک گذاری داده ها و مدل ها در مهندسی نرم افزار 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 به اشتراک گذاری داده ها و مدل ها در مهندسی نرم افزار



علم داده برای مهندسی نرم افزار: به اشتراک گذاری داده ها و مدل ها راهنمایی و روش هایی را برای استفاده مجدد از داده ها و مدل ها بین پروژه ها برای تولید نتایج مفید و مرتبط ارائه می دهد. این جلد ویرایش شده با بخش پس‌زمینه درس‌ها و هشدارهای عملی برای دانشمندان مبتدی داده برای مهندسی نرم‌افزار شروع می‌شود و به شناسایی سؤالات مهم مهندسی نرم‌افزار معاصر مرتبط با داده‌ها و مدل‌ها می‌پردازد. بیاموزید که چگونه داده‌های سایر سازمان‌ها را با مشکلات محلی تطبیق دهید، داده‌های خصوصی‌شده را استخراج کنید، اطلاعات جعلی را حذف کنید، نتایج پیچیده را ساده کنید، چگونه مدل‌ها را برای پلتفرم‌های جدید به‌روزرسانی کنید، و موارد دیگر. فصل‌ها نتایج تجربی تا حد زیادی قابل اجرا را که با ترکیبی از تخصص حوزه متمرکز بر پزشک مورد بحث قرار گرفته‌اند، به اشتراک می‌گذارند، همراه با تفسیری که روش‌هایی را که مفیدترین هستند و برای گسترده‌ترین طیف پروژه‌ها قابل استفاده هستند، برجسته می‌کند. هر فصل توسط یک متخصص برجسته نوشته شده است و راه حلی پیشرفته برای مشکل شناسایی شده ای که دانشمندان داده در مهندسی نرم افزار با آن روبرو هستند ارائه می دهد. در سرتاسر، ویراستاران بهترین شیوه‌های جمع‌آوری‌شده از تجربیات خود را با آموزش دانشجویان و متخصصان مهندسی نرم‌افزار برای تسلط بر علم داده‌ها به اشتراک می‌گذارند و روش‌هایی را که مفیدترین و قابل استفاده‌ترین در وسیع‌ترین طیف پروژه‌ها هستند، برجسته می‌کنند.

  • تجربه خاص محققان برجسته و تکنیک‌های توسعه‌یافته برای رسیدگی به مشکلات داده‌ها در حوزه مهندسی نرم‌افزار را به اشتراک می‌گذارد
  • توضیح می‌دهد که چگونه یک پروژه علم داده برای مهندسی نرم‌افزار را شروع کنیم. همچنین نحوه شناسایی و اجتناب از دام های احتمالی
  • طیف گسترده ای از اصول کیفی و کمی مفید را ارائه می دهد که از بسیار ساده تا تحقیقات پیشرفته را شامل می شود
  • به چالش های فعلی با داده های مهندسی نرم افزار می پردازد. کمبود داده های محلی، مشکلات دسترسی به دلیل حفظ حریم خصوصی داده ها، افزایش کیفیت داده ها از طریق پاکسازی تکه های جعلی در داده ها

توضیحاتی درمورد کتاب به خارجی

Data Science for Software Engineering: Sharing Data and Models presents guidance and procedures for reusing data and models between projects to produce results that are useful and relevant. Starting with a background section of practical lessons and warnings for beginner data scientists for software engineering, this edited volume proceeds to identify critical questions of contemporary software engineering related to data and models. Learn how to adapt data from other organizations to local problems, mine privatized data, prune spurious information, simplify complex results, how to update models for new platforms, and more. Chapters share largely applicable experimental results discussed with the blend of practitioner focused domain expertise, with commentary that highlights the methods that are most useful, and applicable to the widest range of projects. Each chapter is written by a prominent expert and offers a state-of-the-art solution to an identified problem facing data scientists in software engineering. Throughout, the editors share best practices collected from their experience training software engineering students and practitioners to master data science, and highlight the methods that are most useful, and applicable to the widest range of projects.

  • Shares the specific experience of leading researchers and techniques developed to handle data problems in the realm of software engineering
  • Explains how to start a project of data science for software engineering as well as how to identify and avoid likely pitfalls
  • Provides a wide range of useful qualitative and quantitative principles ranging from very simple to cutting edge research
  • Addresses current challenges with software engineering data such as lack of local data, access issues due to data privacy, increasing data quality via cleaning of spurious chunks in data


فهرست مطالب

Content: 
Front Matter, Pages i-ii
Copyright, Page iv
Why this book?, Page v
Foreword, Pages vii-viii
List of Figures☆, Pages xix-xxvii
Chapter 1 - Introduction, Pages 1-14
Chapter 2 - Rules for Managers, Pages 17-18
Chapter 3 - Rule #1: Talk to the Users, Pages 19-23
Chapter 4 - Rule #2: Know The Domain, Pages 25-28
Chapter 5 - Rule #3: Suspect Your Data, Pages 29-34
Chapter 6 - Rule #4: Data Science is Cyclic, Pages 35-38
Chapter 7 - Data Mining and SE, Pages 41-42
Chapter 8 - Defect Prediction, Pages 43-46
Chapter 9 - Effort Estimation, Pages 47-50
Chapter 10 - Data Mining (Under The Hood), Pages 51-75
Chapter 11 - Sharing Data: Challenges and Methods, Pages 79-81
Chapter 12 - Learning Contexts, Pages 83-100
Chapter 13 - Cross-Company Learning: Handling The Data Drought, Pages 101-124
Chapter 14 - Building Smarter Transfer Learners, Pages 125-146
Chapter 15 - Sharing Less Data (Is a Good Thing), Pages 147-164
Chapter 16 - How To Keep Your Data Private, Pages 165-196
Chapter 17 - Compensating for Missing Data, Pages 197-211
Chapter 18 - Active Learning: Learning More With Less, Pages 213-234
Chapter 19 - Sharing Models: Challenges and Methods, Page 237
Chapter 20 - Ensembles of Learning Machines, Pages 239-265
Chapter 21 - How to Adapt Models in a Dynamic World, Pages 267-290
Chapter 22 - Complexity: Using Assemblies of Multiple Models, Pages 291-304
Chapter 23 - The Importance of Goals in Model-Based Reasoning, Pages 305-320
Chapter 24 - Using Goals in Model-Based Reasoning, Pages 321-353
Chapter 25 - A Final Word, Pages 355-356
Bibliography, Pages 357-378




نظرات کاربران