دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب Smarter data science: succeeding with enterprise-grade data and ai projects
دانلود کتاب علم داده هوشمندتر: موفقیت با داده های درجه سازمانی و پروژه های هوش مصنوعی
مشخصات کتاب
Smarter data science: succeeding with enterprise-grade data and ai projects
ویرایش: نویسندگان: Fishman. Neal, Stryker. Cole سری: ISBN (شابک) : 9781119693413, 111969342X ناشر: John Wiley and Sons سال نشر: 2020 تعداد صفحات: 291 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 5 مگابایت
قیمت کتاب (تومان) : 40,000
کلمات کلیدی مربوط به کتاب علم داده هوشمندتر: موفقیت با داده های درجه سازمانی و پروژه های هوش مصنوعی: تجارت -- پایگاه های داده -- مدیریت ، مدیریت پایگاه داده ، سیستم های ذخیره سازی و بازیابی اطلاعات -- قابلیت اطمینان ، سیستم های اطلاعات مدیریت ، تجارت -- پایگاه های داده -- مدیریت ، سیستم های ذخیره سازی و بازیابی اطلاعات -- قابلیت اطمینان
در صورت تبدیل فایل کتاب Smarter data science: succeeding with enterprise-grade data and ai projects 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 علم داده هوشمندتر: موفقیت با داده های درجه سازمانی و پروژه های هوش مصنوعی 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 علم داده هوشمندتر: موفقیت با داده های درجه سازمانی و پروژه های هوش مصنوعی
سازمان‌ها می‌توانند علم داده را به ابزاری قابل تکرار و قابل پیش‌بینی تبدیل کنند که متخصصان کسب‌وکار از آن برای به دست آوردن ارزش بیشتر از داده‌های خود استفاده می‌کنند. در نتیجه اکثریت قریب به اتفاق شکست می خورند. می توان از این باتلاق های گران قیمت اجتناب کرد و این کتاب دقیقاً چگونگی چگونگی آن را توضیح می دهد. علم داده به عنوان یک ابزار عملی نه تنها برای دانشمندان داده، بلکه برای متخصصان تجارت نیز در حال ظهور است. مدیران، مدیران، رهبران فناوری اطلاعات و تحلیلگران باید استفاده خود را از قابلیت‌های علم داده گسترش دهند تا سازمان رقابتی بماند. علم داده هوشمند به آنها کمک می کند تا به پروژه های داده در سطح سازمانی و اهداف هوش مصنوعی خود دست یابند. این به عنوان راهنمای ساخت یک برنامه معماری اطلاعات قوی و جامع عمل می کند که استقرار هوش مصنوعی پایدار و مقیاس پذیر را امکان پذیر می کند. هنگامی که یک سازمان داده های خود را به طور موثر مدیریت می کند، برنامه علم داده آن به یک تابع کاملا مقیاس پذیر تبدیل می شود که هم تجویزی و هم قابل تکرار است. با درک اصول علم داده، متخصصان همچنین این اختیار را دارند که سازمان‌های خود را در ایجاد و استقرار هوش مصنوعی بادوام رهبری کنند. آنها از ابزارهای یادگیری ماشینی، یادگیری عمیق و هوش مصنوعی برای استخراج ارزش بیشتر از داده ها به نفع شرکت استفاده می کنند. با پیروی از یک چارچوب نردبانی که قابلیت‌های تجویزی را ارتقا می‌دهد، سازمان‌ها می‌توانند علم داده را برای طیف وسیعی از اعضای تیم در دسترس قرار دهند و علم داده را در سراسر سازمان دموکراتیک کنند. شرکت‌هایی که داده‌ها را جمع‌آوری، سازماندهی، و تجزیه و تحلیل می‌کنند، می‌توانند به دستاوردهای علوم داده‌ای بیشتری برسند: - بهبود زمان به ارزش با مدل‌های هوش مصنوعی تزریقی برای موارد استفاده رایج - بهینه‌سازی کار دانش و فرآیندهای تجاری - استفاده از هوش تجاری مبتنی بر هوش مصنوعی و تجسم داده‌ها. - ایجاد توپولوژی داده برای پشتیبانی از نیازهای عمومی یا بسیار تخصصی - تکمیل موفقیت آمیز پروژه های هوش مصنوعی به روشی قابل پیش بینی - هماهنگی استفاده از هوش مصنوعی از هر گره محاسباتی. از لبه‌های داخلی تا لبه‌های بیرونی: محاسبات ابر، مه و غبار وقتی از نردبان ارائه‌شده در این کتاب بالا می‌روند، تاجران و دانشمندان داده به طور یکسان قادر خواهند بود قابلیت‌های تکرارپذیر را بهبود بخشند و تقویت کنند. آنها دانش لازم برای به حداکثر رساندن دارایی های هوش مصنوعی و داده خود را به نفع سازمان خود خواهند داشت. جلد -- ستایش برای این کتاب -- صفحه عنوان -- حق چاپ -- درباره نویسندگان -- قدردانی -- مطالب در یک نگاه -- محتویات -- پیشگفتار برای علم داده های هوشمند -- مقاله -- مقدمه -- فصل 1 صعود از نردبان هوش مصنوعی -- آماده سازی داده ها برای هوش مصنوعی -- مناطق تمرکز فناوری -- پله به پله گرفتن از نردبان -- پیوسته برای حفظ ارتباط سازمانی سازگار شوید - - استدلال مبتنی بر داده جزئی و جزئی در تجارت مدرن است -- به سوی سازمان هوش مصنوعی -- خلاصه -- فصل 2 چارچوب بندی قسمت اول: ملاحظات برای سازمان هایی که از هوش مصنوعی استفاده می کنند -- تصمیم گیری مبتنی بر داده. استفاده از پرسشگرها برای به دست آوردن بینش -- ماتریس اعتماد -- اهمیت معیارها و بینش انسانی -- دموکراتیک کردن داده ها و علم داده -- بله، یک پیش نیاز: سازماندهی داده ها باید پیش اندیشی باشد -- جلوگیری از مشکلات طراحی -- تسهیل بادهای تغییر: چگونه داده‌های سازمان‌یافته زمان واکنش را تسهیل می‌کند - Quae Quaestio (همه چیز را بپرسید) - خلاصه - بخش دوم چارچوب‌بندی فصل 3: ملاحظات کار با داده‌ها و هوش مصنوعی - شخصی‌سازی تجربه داده‌ها برای هر کاربر - تعداد زمینه: انتخاب راه درست برای نمایش داده ها؛ قوم نگاری: بهبود درک از طریق داده های تخصصی -- حاکمیت داده ها و کیفیت داده ها -- ارزش تجزیه داده ها -- ارائه ساختار از طریق حاکمیت داده -- تنظیم داده ها برای آموزش -- ملاحظات اضافی برای ایجاد ارزش -- هستی شناسی ها: وسیله ای برای محصور کردن دانش -- انصاف، اعتماد و شفافیت در نتایج هوش مصنوعی -- قابل دسترسی، دقیق، تنظیم شده و سازماندهی شده -- خلاصه -- فصل 4 نگاهی به تجزیه و تحلیل: بیش از یک چکش -- قبلا اینجا بوده ام: بررسی انبار داده های سازمانی - - معایب انبار داده سنتی - تغییر پارادایم. محیط های تحلیلی مدرن: دریاچه داده -- بر اساس تضاد -- داده های بومی -- ویژگی های تفاوت -- عناصر دریاچه داده -- نرمال جدید: داده های بزرگ اکنون داده های عادی هستند -- رهایی از صلبیت یک مدل داده واحد -- جریان داده -- ابزارهای مناسب برای کار -- دسترسی آسان تر -- کاهش هزینه ها -- مقیاس پذیری -- مدیریت داده و حاکمیت داده برای هوش مصنوعی -- Schema-on-Read در مقابل Schema-on-Write -- خلاصه -- فصل 5 نگاهی رو به جلو به تجزیه و تحلیل: همه چیز نمی تواند یک میخ باشد -- نیاز به سازمان -- منطقه مرحله بندی -- منطقه خام. منطقه کشف و اکتشاف -- منطقه تراز -- منطقه هماهنگ -- منطقه انتخاب شده -- توپولوژی داده ها -- نقشه منطقه -- خطوط لوله داده -- توپوگرافی داده -- گسترش، افزودن، جابجایی و حذف مناطق -- فعال کردن مناطق -- جذب -- حاکمیت داده -- ذخیره و نگهداری داده -- پردازش داده -- دسترسی به داده -- مدیریت و نظارت -- فراداده -- خلاصه -- فصل 6 پرداختن به رشته های عملیاتی در نردبان هوش مصنوعی -- گذری از زمان -- ایجاد -- پایداری -- موانع -- پیچیدگی -- اجرا -- جذب -- مشاهده -- سازگاری -- عملیات -- کیفیت.
توضیحاتی درمورد کتاب به خارجی
Organizations can make data science a repeatable, predictable tool, which business professionals use to get more value from their data Enterprise data and AI projects are often scattershot, underbaked, siloed, and not adaptable to predictable business changes. As a result, the vast majority fail. These expensive quagmires can be avoided, and this book explains precisely how.' Data science is emerging as a hands-on tool for not just data scientists, but business professionals as well. Managers, directors, IT leaders, and analysts must expand their use of data science capabilities for the organization to stay competitive. Smarter Data Science helps them achieve their enterprise-grade data projects and AI goals. It serves as a guide to building a robust and comprehensive information architecture program that enables sustainable and scalable AI deployments. When an organization manages its data effectively, its data science program becomes a fully scalable function that's both prescriptive and repeatable. With an understanding of data science principles, practitioners are also empowered to lead their organizations in establishing and deploying viable AI. They employ the tools of machine learning, deep learning, and AI to extract greater value from data for the benefit of the enterprise. By following a ladder framework that promotes prescriptive capabilities, organizations can make data science accessible to a range of team members, democratizing data science throughout the organization. Companies that collect, organize, and analyze data can move forward to additional data science achievements: -Improving time-to-value with infused AI models for common use cases -Optimizing knowledge work and business processes -Utilizing AI-based business intelligence and data visualization -Establishing a data topology to support general or highly specialized needs -Successfully completing AI projects in a predictable manner -Coordinating the use of AI from any compute node. From inner edges to outer edges: cloud, fog, and mist computing When they climb the ladder presented in this book, businesspeople and data scientists alike will be able to improve and foster repeatable capabilities. They will have the knowledge to maximize their AI and data assets for the benefit of their organizations.;Cover -- Praise For This Book -- Title Page -- Copyright -- About the Authors -- Acknowledgments -- Contents at a Glance -- Contents -- Foreword for Smarter Data Science -- Epigraph -- Preamble -- Chapter 1 Climbing the AI Ladder -- Readying Data for AI -- Technology Focus Areas -- Taking the Ladder Rung by Rung -- Constantly Adapt to Retain Organizational Relevance -- Data-Based Reasoning Is Part and Parcel in the Modern Business -- Toward the AI-Centric Organization -- Summary -- Chapter 2 Framing Part I: Considerations for Organizations Using AI -- Data-Driven Decision-Making; Using Interrogatives to Gain Insight -- The Trust Matrix -- The Importance of Metrics and Human Insight -- Democratizing Data and Data Science -- Aye, a Prerequisite: Organizing Data Must Be a Forethought -- Preventing Design Pitfalls -- Facilitating the Winds of Change: How Organized Data Facilitates Reaction Time -- Quae Quaestio (Question Everything) -- Summary -- Chapter 3 Framing Part II: Considerations for Working with Data and AI -- Personalizing the Data Experience for Every User -- Context Counts: Choosing the Right Way to Display Data; Ethnography: Improving Understanding Through Specialized Data -- Data Governance and Data Quality -- The Value of Decomposing Data -- Providing Structure Through Data Governance -- Curating Data for Training -- Additional Considerations for Creating Value -- Ontologies: A Means for Encapsulating Knowledge -- Fairness, Trust, and Transparency in AI Outcomes -- Accessible, Accurate, Curated, and Organized -- Summary -- Chapter 4 A Look Back on Analytics: More Than One Hammer -- Been Here Before: Reviewing the Enterprise Data Warehouse -- Drawbacks of the Traditional Data Warehouse -- Paradigm Shift; Modern Analytical Environments: The Data Lake -- By Contrast -- Indigenous Data -- Attributes of Difference -- Elements of the Data Lake -- The New Normal: Big Data Is Now Normal Data -- Liberation from the Rigidity of a Single Data Model -- Streaming Data -- Suitable Tools for the Task -- Easier Accessibility -- Reducing Costs -- Scalability -- Data Management and Data Governance for AI -- Schema-on-Read vs. Schema-on-Write -- Summary -- Chapter 5 A Look Forward on Analytics: Not Everything Can Be a Nail -- A Need for Organization -- The Staging Zone -- The Raw Zone; The Discovery and Exploration Zone -- The Aligned Zone -- The Harmonized Zone -- The Curated Zone -- Data Topologies -- Zone Map -- Data Pipelines -- Data Topography -- Expanding, Adding, Moving, and Removing Zones -- Enabling the Zones -- Ingestion -- Data Governance -- Data Storage and Retention -- Data Processing -- Data Access -- Management and Monitoring -- Metadata -- Summary -- Chapter 6 Addressing Operational Disciplines on the AI Ladder -- A Passage of Time -- Create -- Stability -- Barriers -- Complexity -- Execute -- Ingestion -- Visibility -- Compliance -- Operate -- Quality.
فهرست مطالب
Cover --
Praise For This Book --
Title Page --
Copyright --
About the Authors --
Acknowledgments --
Contents at a Glance --
Contents --
Foreword for Smarter Data Science --
Epigraph --
Preamble --
Chapter 1 Climbing the AI Ladder --
Readying Data for AI --
Technology Focus Areas --
Taking the Ladder Rung by Rung --
Constantly Adapt to Retain Organizational Relevance --
Data-Based Reasoning Is Part and Parcel in the Modern Business --
Toward the AI-Centric Organization --
Summary --
Chapter 2 Framing Part I: Considerations for Organizations Using AI --
Data-Driven Decision-Making
Using Interrogatives to Gain Insight --
The Trust Matrix --
The Importance of Metrics and Human Insight --
Democratizing Data and Data Science --
Aye, a Prerequisite: Organizing Data Must Be a Forethought --
Preventing Design Pitfalls --
Facilitating the Winds of Change: How Organized Data Facilitates Reaction Time --
Quae Quaestio (Question Everything) --
Summary --
Chapter 3 Framing Part II: Considerations for Working with Data and AI --
Personalizing the Data Experience for Every User --
Context Counts: Choosing the Right Way to Display Data
Ethnography: Improving Understanding Through Specialized Data --
Data Governance and Data Quality --
The Value of Decomposing Data --
Providing Structure Through Data Governance --
Curating Data for Training --
Additional Considerations for Creating Value --
Ontologies: A Means for Encapsulating Knowledge --
Fairness, Trust, and Transparency in AI Outcomes --
Accessible, Accurate, Curated, and Organized --
Summary --
Chapter 4 A Look Back on Analytics: More Than One Hammer --
Been Here Before: Reviewing the Enterprise Data Warehouse --
Drawbacks of the Traditional Data Warehouse --
Paradigm Shift
Modern Analytical Environments: The Data Lake --
By Contrast --
Indigenous Data --
Attributes of Difference --
Elements of the Data Lake --
The New Normal: Big Data Is Now Normal Data --
Liberation from the Rigidity of a Single Data Model --
Streaming Data --
Suitable Tools for the Task --
Easier Accessibility --
Reducing Costs --
Scalability --
Data Management and Data Governance for AI --
Schema-on-Read vs. Schema-on-Write --
Summary --
Chapter 5 A Look Forward on Analytics: Not Everything Can Be a Nail --
A Need for Organization --
The Staging Zone --
The Raw Zone
The Discovery and Exploration Zone --
The Aligned Zone --
The Harmonized Zone --
The Curated Zone --
Data Topologies --
Zone Map --
Data Pipelines --
Data Topography --
Expanding, Adding, Moving, and Removing Zones --
Enabling the Zones --
Ingestion --
Data Governance --
Data Storage and Retention --
Data Processing --
Data Access --
Management and Monitoring --
Metadata --
Summary --
Chapter 6 Addressing Operational Disciplines on the AI Ladder --
A Passage of Time --
Create --
Stability --
Barriers --
Complexity --
Execute --
Ingestion --
Visibility --
Compliance --
Operate --
Quality.
