مشخصات کتاب

Why AI/Data Science Projects Fail

ویرایش:  
نویسندگان: Joyce Weiner  
سری: Synthesis Lectures on Computation and Analytics 
ISBN (شابک) : 1636390382, 9781636390383 
ناشر: Morgan & Claypool 
سال نشر: 2020 
تعداد صفحات: 79 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 7 مگابایت 

در صورت تبدیل فایل کتاب Why AI/Data Science Projects Fail 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 چرا پروژه های هوش مصنوعی/علم داده شکست می خورند (سخنرانی های تلفیقی در زمینه محاسبات و تجزیه و تحلیل) 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 چرا پروژه های هوش مصنوعی/علم داده شکست می خورند (سخنرانی های تلفیقی در زمینه محاسبات و تجزیه و تحلیل)

داده‌های اخیر نشان می‌دهد که 87 درصد از پروژه‌های هوش مصنوعی/داده‌های بزرگ به مرحله تولید نمی‌رسند (VB Staff, 2019)، به این معنی که اکثر پروژه‌ها هرگز اجرا نمی‌شوند. این کتاب به پنج مشکل رایج می‌پردازد که مانع از استقرار پروژه‌ها می‌شود و ابزارها و روش‌هایی را برای اجتناب از این مشکلات ارائه می‌کند. در طول مسیر، داستان‌هایی از تجربه واقعی در ساخت و استقرار پروژه‌های علم داده برای نشان دادن روش‌ها و ابزارها به اشتراک گذاشته می‌شود. در حالی که این کتاب در درجه اول برای دست اندرکاران علم داده است، اطلاعاتی برای مدیران متخصصان علم داده در بخش نکاتی برای مدیران گنجانده شده است.

توضیحاتی درمورد کتاب به خارجی

Recent data shows that 87% of Artificial Intelligence/Big Data projects don’t make it into production (VB Staff, 2019), meaning that most projects are never deployed. This book addresses five common pitfalls that prevent projects from reaching deployment and provides tools and methods to avoid those pitfalls. Along the way, stories from actual experience in building and deploying data science projects are shared to illustrate the methods and tools. While the book is primarily for data science practitioners, information for managers of data science practitioners is included in the Tips for Managers sections.

فهرست مطالب

Preface
Introduction and Background
Project Phases and Common Project Pitfalls
	2.1	Tips for Managers
Five Methods to Avoid Common Pitfalls
	3.1	Ask Questions
	3.2	Get Alignment
	3.3	Keep It Simple
	3.4	Leverage Explainability
	3.5	Have the Conversation
	3.6	Tips for Managers
Define Phase
	4.1	Project Charter
	4.2	Supplier-Input-Process-Output-Customer (SIPOC) Analysis
	4.3	Tips for Managers
Making the Business Case:Assigning Value to Your Project
	5.1	Data Analysis Projects
	5.2	Automation Projects
	5.3	Improving Business Processes
	5.4	Data Mining Projects
	5.5	Improved Data Science
	5.6	Metrics to Dollar Conversion
Acquisition and Exploration ofData Phase
	6.1	Acquiring Data
	6.2	Developing Data Collection Systems
	6.3	Data Exploration
	6.4	What Does the Customer Want to Know?
	6.5	Preparing for a Report or Model
	6.6	Tips for Managers
Model-Building Phase
	7.1	Keep it Simple
	7.2	Repeatability
	7.3	Leverage Explainability
	7.4	Tips for Managers
Interpret and communicate phase
	8.1 	Know Your Audience
	8.2 	Reports
	8.3 	Presentations
	8.4 	Models
	8.5 	Tips for Mangers
Deployment Phase
	9.1 	Plan for Deployment from the Start
	9.2 	Documentation
	9.3 	Maintenance
	9.4 	Tips for Managers
Summary of the Five Methods to Avoid Common Pitfalls
	10.1 Ask Questions
	10.2 Get Alignment
	10.3 Keep It Simple
	10.4 Leverage Explainability
	10.5 Have the Conversation
References
Author Biography
	Table 1.1: Five project pitfalls
	Table 1.2: Alignment between data science project phases and Lean six sigma DMAIC framework
	Table 3.1: Connection between the methods to avoid pitfalls and the five project pitfalls
	Table 3.2: Questions to ask at retrospectives
	Table 4.1: Key components of a project charter
	Table 5.1: Deliverables and metrics for various types of data science projects
	Table 5.2: Example calculation for time saved
	Table 5.3: Types of waste with manufacturing and office examples
	Table 5.4: Common metrics and dollar conversion
	Table 8.1: Data science project types and typical final deliverables
	Table 8.2: Data visualization reading list
Blank Page

نظرات کاربران

کتاب های تصادفی

دانلود کتاب Heads We Win: The Cognitive Side of Counterinsurgency (COIN) (Rand Counterinsurgency Study)

دانلود کتاب From Gecko Feet to Adhesive Tape

دانلود کتاب The calculus of variations in the large

دانلود کتاب Learning About Human Nature and Analytic Technique From Mothers and Babies

دانلود کتاب Madkunst: vegetariske buffeter