توضیحات
This book includes a spectrum of concepts, such as performance, productivity, operations research, econometrics, and data science, for the practically and theoretically important areas of productivity analysis/data envelopment analysis and data science/big data. Data science is defined as the collection of scientific methods, processes, and systems dedicated to extracting knowledge or insights from data and it develops on concepts from various domains, containing mathematics and statistical methods, operations research, machine learning, computer programming, pattern recognition, and data visualisation, among others.
Examples of data science techniques include linear and logistic regressions, decision trees, Nave Bayesian classifier, principal component analysis, neural networks, predictive modelling, deep learning, text analysis, survival analysis, and so on, all of which allow using the data to make more intelligent decisions. On the other hand, it is without a doubt that nowadays the amount of data is exponentially increasing, and analysing large data sets has become a key basis of competition and innovation, underpinning new waves of productivity growth. This book aims to bring a fresh look onto the various ways that data science techniques could unleash value and drive productivity from these mountains of data.
Researchers working in productivity analysis/data envelopment analysis will benefit from learning about the tools available in data science/big data that can be used in their current research analyses and endeavours. The data scientists, on the other hand, will also get benefit from learning about the plethora of applications available in productivity analysis/data envelopment analysis.
————————————————————–
ترجمه ماشینی :
این کتاب شامل طیفی از مفاهیم، مانند عملکرد، بهرهوری، تحقیق در عملیات، اقتصادسنجی، و علم داده، برای حوزههای مهم عملی و نظری تحلیل بهرهوری/تحلیل پوششی دادهها و علم داده/دادههای بزرگ است. علم داده مجموعه ای از روش ها، فرآیندها و سیستم های علمی است که به استخراج دانش یا بینش از داده ها اختصاص دارد و بر روی مفاهیمی از حوزه های مختلف، شامل ریاضیات و روش های آماری، تحقیق در عملیات، یادگیری ماشین، برنامه نویسی کامپیوتری، تشخیص الگو، توسعه می یابد. و تجسم دادهها، از جمله.
نمونههایی از تکنیکهای علم داده شامل رگرسیونهای خطی و لجستیک، درختهای تصمیمگیری، طبقهبندیکننده Nave Bayesian، تجزیه و تحلیل مؤلفههای اصلی، شبکههای عصبی، مدلسازی پیشبینی، یادگیری عمیق، تحلیل متن، تجزیه و تحلیل بقا هستند. و غیره، همه اینها به استفاده از داده ها برای تصمیم گیری هوشمندتر اجازه می دهد. از سوی دیگر، بدون شک امروزه حجم داده ها به طور تصاعدی در حال افزایش است و تجزیه و تحلیل مجموعه داده های بزرگ به پایه ای کلیدی برای رقابت و نوآوری تبدیل شده است و موج های جدیدی از رشد بهره وری را پشت سر می گذارد. هدف این کتاب این است که نگاهی تازه به راههای مختلفی بیاورد که تکنیکهای علم داده میتوانند ارزش آزاد کنند و بهرهوری را از این کوههای داده هدایت کنند.
محققانی که در تجزیه و تحلیل بهرهوری/تحلیل پوششی دادهها کار میکنند از یادگیری در مورد ابزارهای موجود در علم داده / داده های بزرگ که می توانند در تحلیل ها و تلاش های تحقیقاتی فعلی آنها استفاده شوند. از سوی دیگر، دانشمندان داده از یادگیری در مورد برنامه های کاربردی موجود در تجزیه و تحلیل بهره وری/تحلیل پوششی داده ها نیز سود خواهند برد.
tag : دانلود کتاب تجزیه و تحلیل علم داده و بهره وری , Download تجزیه و تحلیل علم داده و بهره وری , دانلود تجزیه و تحلیل علم داده و بهره وری , Download Data Science and Productivity Analytics Book , تجزیه و تحلیل علم داده و بهره وری دانلود , buy تجزیه و تحلیل علم داده و بهره وری , خرید کتاب تجزیه و تحلیل علم داده و بهره وری , دانلود کتاب Data Science and Productivity Analytics , کتاب Data Science and Productivity Analytics , دانلود Data Science and Productivity Analytics , خرید Data Science and Productivity Analytics , خرید کتاب Data Science and Productivity Analytics ,
نقد و بررسیها
هنوز بررسیای ثبت نشده است.