The Data Science Framework: A View from the EDISON Project

این کتاب ویرایش شده ابتدا نتایج پروژه EDISON با بودجه اتحادیه اروپا (آموزش برای علم فشرده داده برای باز کردن مرزهای علوم جدید) را ادغام می کند، که مواد آموزشی و اطلاعاتی را برای کمک به مربیان، مربیان، کارفرمایان و مدیران زیرساخت های تحقیقاتی در شناسایی ایجاد کرده است. ، استخدام و الهام بخشیدن به متخصصان علوم داده در آینده. سپس ارائه اطلاعات و دانش به‌دست‌آمده را عمیق‌تر می‌کند تا امکان جذب آسان‌تر توسط خواننده فراهم شود.

فصل‌های ارائه‌شده به ترتیب ارائه می‌شوند و هر فصل از نقطه پایانی فصل قبل برداشته می‌شود. پس از بررسی اجمالی کتاب و پروژه اولیه، فصل‌ها شایستگی‌های مربوط به علم داده و مجموعه دانش، برنامه درسی مدل مورد نیاز برای آموزش مبانی مورد نیاز، پروفایل‌های متخصصان در این حوزه، و موارد و کاربردهای کاربردی را ارائه می‌کنند. متن با ضمائم مربوط به مدل‌های فرآیند مرتبط پشتیبانی می‌شود.

این کتاب را می‌توان برای توسعه دوره‌های جدید در علم داده، ارزیابی ماژول‌ها و دوره‌های موجود، پیش‌نویس شرح وظایف، و برنامه‌ریزی و طراحی داده‌های کارآمد استفاده کرد. -تیم های تحقیقاتی فشرده در سراسر رشته های علمی.

This edited book first consolidates the results of the EU-funded EDISON project (Education for Data Intensive Science to Open New science frontiers), which developed training material and information to assist educators, trainers, employers, and research infrastructure managers in identifying, recruiting and inspiring the data science professionals of the future. It then deepens the presentation of the information and knowledge gained to allow for easier assimilation by the reader.

The contributed chapters are presented in sequence, each chapter picking up from the end point of the previous one. After the initial book and project overview, the chapters present the relevant data science competencies and body of knowledge, the model curriculum required to teach the required foundations, profiles of professionals in this domain, and use cases and applications. The text is supported with appendices on related process models.

The book can be used to develop new courses in data science, evaluate existing modules and courses, draft job descriptions, and plan and design efficient data-intensive research teams across scientific disciplines.