📚 معرفی کتاب
📌 داده‌های عظیم برای تصمیمات بزرگ: ایجاد یک سازمان داده محور
"Big Data for Big Decisions: Building a Data-Driven Organization”
📌 نویسنده: Krishna Pera
📌 این کتاب در سال 2023 و توسط CRC Press انتشار یافته است.
📍ایجاد یک سازمان داده محور (data-driven organization)، ابتکاری در سطح سازمانی است که می‌تواند منابع را برای مدت طولانی مصرف نماید. بنابراین هر سازمانی که به دنبال چنین ابتکاری است، بر اساس نقشه راه و مورد کسب و کاری که باید قبل از تصویب تهیه و ارزیابی شود، اصرار دارد. این کتاب یک متدولوژی گام به گام به منظور ایجاد نقشه راه و مورد کسب و کاری ارائه می‌دهد و روایتی از محدودیت‌ها و تجربیات مدیرانی است که برای راه اندازی سازمان‌های داده محور تلاش کرده‌اند. در این کتاب تأکید بر تصمیمات بزرگ است یعنی تصمیمات کلیدی که بر 90 درصد نتایج کسب و کار تأثیر می‌گذارند. این تصمیمات از ابتدا تصمیم‌گیری و مهندسی مجدد داده‌ها تا فرآیند-زنجیره تصمیم‌گیری و حاکمیت داده‌ها، به طوری که اطمینان حاصل شود که داده‌های درست همواره در زمان مناسب در دسترس هستند.
📍سرمایه گذاری در هوش مصنوعی و تصمیم گیری داده محور در حال حاضر به عنوان یک ضرورت بقا برای سازمان‌ها در نظر گرفته می‌شود تا بتوانند رقابتی باقی بمانند. در حالی که هر شرکتی آرزو دارد 100% داده محور شود و هر مدیر ارشد اطلاعات (CIO) بودجه ای دارد، گارتنر تخمین می زند که بیش از 80٪ از تمام پروژه های تحلیلگری در ارائه ارزش مورد نظر ناکام هستند. در این راستا این کتاب متدولوژی برای اطمینان از موفقیت در استخراج ارزش مورد نظر از سرمایه گذاری در تحلیلگری ارائه می‌دهد و راهنمایی برای ایجاد یک نقشه راه تحول گام به گام است که داده‌های عظیم را برای تصمیم‌های بزرگ، 10 درصد تصمیم‌هایی که بر 90 درصد نتایج کسب‌وکار تأثیر می‌گذارند، اولویت‌بندی می‌کند، و همچنین بهبودهای اساسی در کیفیت تصمیم‌ها و ارزش قابل اندازه گیری از سرمایه گذاری‌های تحلیلگری ارائه می‌نماید.
📍علاوه بر این، به برخی از موضوعات مهم که تاکنون در چارچوب سازمان داده محور پرداخته نشده است، مانند «اولویت‌بندی تصمیم‌گیری»، مفهوم «شناخته‌ها و ناشناخته‌ها» و ... در این کتاب پرداخته می‌شود. ارائه نقشه راه برای تحلیلگری، استراتژی فناوری اطلاعات داده محور، ایجاد استراتژی داده، ایجاد استراتژی بازاریابی داده محور و حکمرانی داده یکپارچه از دیگر موضوعات مورد بررسی در این کتاب است.
این کتاب را می‌توانید در پست بعد دریافت نمایید.
#معرفی_کتاب
#سازمان_داده_محور
#تصمیم‌گیری
#عظیم_داده
#فاطمه_مظفری
@BigData_BusinessAnalytics
www.bdbanalytics.ir
📌 داده‌های عظیم برای تصمیمات بزرگ: ایجاد یک سازمان داده محور
"Big Data for Big Decisions: Building a Data-Driven Organization”
📌 نویسنده: Krishna Pera
📌 این کتاب در سال 2023 و توسط CRC Press انتشار یافته است.
📍ایجاد یک سازمان داده محور (data-driven organization)، ابتکاری در سطح سازمانی است که می‌تواند منابع را برای مدت طولانی مصرف نماید. بنابراین هر سازمانی که به دنبال چنین ابتکاری است، بر اساس نقشه راه و مورد کسب و کاری که باید قبل از تصویب تهیه و ارزیابی شود، اصرار دارد. این کتاب یک متدولوژی گام به گام به منظور ایجاد نقشه راه و مورد کسب و کاری ارائه می‌دهد و روایتی از محدودیت‌ها و تجربیات مدیرانی است که برای راه اندازی سازمان‌های داده محور تلاش کرده‌اند. در این کتاب تأکید بر تصمیمات بزرگ است یعنی تصمیمات کلیدی که بر 90 درصد نتایج کسب و کار تأثیر می‌گذارند. این تصمیمات از ابتدا تصمیم‌گیری و مهندسی مجدد داده‌ها تا فرآیند-زنجیره تصمیم‌گیری و حاکمیت داده‌ها، به طوری که اطمینان حاصل شود که داده‌های درست همواره در زمان مناسب در دسترس هستند.
📍سرمایه گذاری در هوش مصنوعی و تصمیم گیری داده محور در حال حاضر به عنوان یک ضرورت بقا برای سازمان‌ها در نظر گرفته می‌شود تا بتوانند رقابتی باقی بمانند. در حالی که هر شرکتی آرزو دارد 100% داده محور شود و هر مدیر ارشد اطلاعات (CIO) بودجه ای دارد، گارتنر تخمین می زند که بیش از 80٪ از تمام پروژه های تحلیلگری در ارائه ارزش مورد نظر ناکام هستند. در این راستا این کتاب متدولوژی برای اطمینان از موفقیت در استخراج ارزش مورد نظر از سرمایه گذاری در تحلیلگری ارائه می‌دهد و راهنمایی برای ایجاد یک نقشه راه تحول گام به گام است که داده‌های عظیم را برای تصمیم‌های بزرگ، 10 درصد تصمیم‌هایی که بر 90 درصد نتایج کسب‌وکار تأثیر می‌گذارند، اولویت‌بندی می‌کند، و همچنین بهبودهای اساسی در کیفیت تصمیم‌ها و ارزش قابل اندازه گیری از سرمایه گذاری‌های تحلیلگری ارائه می‌نماید.
📍علاوه بر این، به برخی از موضوعات مهم که تاکنون در چارچوب سازمان داده محور پرداخته نشده است، مانند «اولویت‌بندی تصمیم‌گیری»، مفهوم «شناخته‌ها و ناشناخته‌ها» و ... در این کتاب پرداخته می‌شود. ارائه نقشه راه برای تحلیلگری، استراتژی فناوری اطلاعات داده محور، ایجاد استراتژی داده، ایجاد استراتژی بازاریابی داده محور و حکمرانی داده یکپارچه از دیگر موضوعات مورد بررسی در این کتاب است.
این کتاب را می‌توانید در پست بعد دریافت نمایید.
#معرفی_کتاب
#سازمان_داده_محور
#تصمیم‌گیری
#عظیم_داده
#فاطمه_مظفری
@BigData_BusinessAnalytics
www.bdbanalytics.ir
📚معرفی کتاب
📌 ابهام‌زدایی از عظیم داده، یادگیری ماشین و یادگیری عمیق برای تحلیل حوزه سلامت
"Demystifying Big Data, Machine Learning, and Deep Learning for Healthcare Analytics”
📌 نویسنده: Pradeep N, Sandeep Kautish, Sheng Lung Peng
📌 این کتاب در سال 2021 و توسط Elsevier Science انتشار یافته است.
📍کتاب ابهام‌زدایی از عظیم داده، یادگیری ماشین و یادگیری عمیق در حوزه سلامت به ارائه دنیای در حال تغییر استفاده از داده‌ها در حوزه سلامت و بخصوص کلینیک‌ها می‌پردازد. تکنیک‌ها، روش‌ها و الگوریتم‌هایی جهت سازمان‌دهی داده‌ها به صورت ساختاریافته در این کتاب معرفی شده‌اند که می‌تواند برای مهندسان پزشکی و دانشمندان داده برای فهم تأثیر این تکنیک‌ها در تحلیل حوزه سلامت مؤثر باشد.
📍این کتاب به دو بخش اصلی تقسیم شده است. در بخش اول، جنبه‌های عظیم داده مانند سیستم‌های پشتیبانی تصمیم سلامت و موضوعات مرتبط با تحلیل داده مورد بررسی قرار گرفته است. در بخش دوم، تمرکز بر چارچوب‌ها و کاربری‌های فعلی یادگیری عمیق و یادگیری ماشین و ارائه چشم‌اندازی از مسیر آینده تحقیق و توسعه است.
📍در تمام کتاب، رویکرد مورد مطالعه محور، موارد و مثال‌های ارزشمندی از مطالعات دنیای واقعی به عنوان منابع بنیادی در اختیار مهندسان پزشکی، دانشمندان داده و پژوهشگران سلامت قرار می‌دهد.
این کتاب را می‌توانید در پست بعد دریافت نمایید.
#معرفی_کتاب
#عظیم_داده
#میثم_عسگری
@BigData_BusinessAnalytics
www.bdbanalytics.ir
📌 ابهام‌زدایی از عظیم داده، یادگیری ماشین و یادگیری عمیق برای تحلیل حوزه سلامت
"Demystifying Big Data, Machine Learning, and Deep Learning for Healthcare Analytics”
📌 نویسنده: Pradeep N, Sandeep Kautish, Sheng Lung Peng
📌 این کتاب در سال 2021 و توسط Elsevier Science انتشار یافته است.
📍کتاب ابهام‌زدایی از عظیم داده، یادگیری ماشین و یادگیری عمیق در حوزه سلامت به ارائه دنیای در حال تغییر استفاده از داده‌ها در حوزه سلامت و بخصوص کلینیک‌ها می‌پردازد. تکنیک‌ها، روش‌ها و الگوریتم‌هایی جهت سازمان‌دهی داده‌ها به صورت ساختاریافته در این کتاب معرفی شده‌اند که می‌تواند برای مهندسان پزشکی و دانشمندان داده برای فهم تأثیر این تکنیک‌ها در تحلیل حوزه سلامت مؤثر باشد.
📍این کتاب به دو بخش اصلی تقسیم شده است. در بخش اول، جنبه‌های عظیم داده مانند سیستم‌های پشتیبانی تصمیم سلامت و موضوعات مرتبط با تحلیل داده مورد بررسی قرار گرفته است. در بخش دوم، تمرکز بر چارچوب‌ها و کاربری‌های فعلی یادگیری عمیق و یادگیری ماشین و ارائه چشم‌اندازی از مسیر آینده تحقیق و توسعه است.
📍در تمام کتاب، رویکرد مورد مطالعه محور، موارد و مثال‌های ارزشمندی از مطالعات دنیای واقعی به عنوان منابع بنیادی در اختیار مهندسان پزشکی، دانشمندان داده و پژوهشگران سلامت قرار می‌دهد.
این کتاب را می‌توانید در پست بعد دریافت نمایید.
#معرفی_کتاب
#عظیم_داده
#میثم_عسگری
@BigData_BusinessAnalytics
www.bdbanalytics.ir
📚معرفی کتاب
📌کتابچه راهنمای پژوهشگر در تجزیه و تحلیل عظیم‌داده
"Research Practitioner's Handbook on Big Data Analytics"
📌نویسندگان: S. Sasikala, Renuka Devi D
📌این کتاب در سال 2023 و توسط Apple Academic Press انتشار یافته است.
📍 این کتاب با معرفی مفهوم عظیم‌داده بر مفاهیم اصلی تجزیه و تحلیل داده‌های عظیم، ابزارها، تکنیک‌ها و روش‌شناسی از دیدگاه‌های پژوهشی تمرکز دارد و می‌تواند راهنمایی جامع با ترکیبی از بینش‌های نظری و رویکردهای عملی را ارائه دهد که طیف وسیعی از خوانندگان را پوشش می‌دهد. این کتاب همچنین توضیح می‌دهد که چگونه می‌توان از تجزیه و تحلیل عظیم‌داده‌ها برای استخراج بینش‌های ارزشمند از مجموعه داده‌های بزرگ و تصمیم‌گیری آگاهانه استفاده کرد.
📍نویسندگان جنبه‌های مختلف تجزیه و تحلیل عظیم‌داده، از جمله؛ جمع‌آوری، پیش‌پردازش، ذخیره‌سازی، تکنیک‌های تجزیه و تحلیل و نیز تصویرسازی‌داده‌ها را پوشش می‌دهند. آنها درباره ابزارها و فناوری‌های رایج مورد استفاده در تجزیه و تحلیل داده‌های عظیم مانند Hadoop ،Apache Spark و الگوریتم‌های یادگیری ماشین بحث می‌کنند. یکی از تاکیدهای اصلی کتاب بر روی روش تحقیق در تجزیه و تحلیل داده‌های عظیم است. این کتاب همچنین، راهنمایی در مورد فرمول‌بندی سؤالات پژوهش، طراحی آزمایش‌ها، انتخاب تکنیک‌های مناسب تجزیه و تحلیل داده‌ها و تفسیر نتایج ارائه می‌کند. در ادامه نویسندگان بر اهمیت اخلاق و ملاحظات حریم خصوصی در پژوهش‌های عظیم‌داده تاکید می‌کنند.
📍در این کتاب، مطالعات موردی و نمونه‌هایی در دنیای واقعی برای نشان دادن مفاهیم و تکنیک‌های مورد بحث ارائه شده‌اند. این مطالعات موردی نشان می‌دهد که چگونه تجزیه و تحلیل عظیم‌داده‌ها با موفقیت در حوزه‌های مختلف مانند مراقبت‌های بهداشتی، کسب و کار، اجتماعی و آموزشی به کار گرفته شده است. علاوه بر این، کتاب حاضر به چالش‌ها و محدودیت‌های مرتبط با تجزیه و تحلیل عظیم‌داده‌ها، مانند مسائل مربوط به کیفیت داده، نگرانی‌های مقیاس پذیری، و پیامدهای اخلاقی می‌پردازد. برای غلبه بر این چالش‌ها و نیز به حداکثر رساندن ارزش عظیم‌داده، استراتژی‌ها و به روش‌هایی را ارائه می‌دهد.
📍به طور کلی، این کتاب به عنوان یک راهنمای عملی برای پژوهشگران و متخصصانی عمل می‌کند که می‌خواهند از قدرت تجزیه و تحلیل داده‌های عظیم استفاده کنند و آنها را با دانش و مهارت‌های لازم برای انجام پژوهش‌های مؤثر و استفاده از این نوع داده‌ها برای بینش و تصمیم‌گیری معنادار مجهز می‌کند.
این کتاب را می‌توانید در پست بعد دریافت نمایید.
#معرفی_کتاب
#عظیم_داده
#زهرا_رفیعی‌پور
@BigData_BusinessAnalytics
http://www.bdbanalytics.ir
📌کتابچه راهنمای پژوهشگر در تجزیه و تحلیل عظیم‌داده
"Research Practitioner's Handbook on Big Data Analytics"
📌نویسندگان: S. Sasikala, Renuka Devi D
📌این کتاب در سال 2023 و توسط Apple Academic Press انتشار یافته است.
📍 این کتاب با معرفی مفهوم عظیم‌داده بر مفاهیم اصلی تجزیه و تحلیل داده‌های عظیم، ابزارها، تکنیک‌ها و روش‌شناسی از دیدگاه‌های پژوهشی تمرکز دارد و می‌تواند راهنمایی جامع با ترکیبی از بینش‌های نظری و رویکردهای عملی را ارائه دهد که طیف وسیعی از خوانندگان را پوشش می‌دهد. این کتاب همچنین توضیح می‌دهد که چگونه می‌توان از تجزیه و تحلیل عظیم‌داده‌ها برای استخراج بینش‌های ارزشمند از مجموعه داده‌های بزرگ و تصمیم‌گیری آگاهانه استفاده کرد.
📍نویسندگان جنبه‌های مختلف تجزیه و تحلیل عظیم‌داده، از جمله؛ جمع‌آوری، پیش‌پردازش، ذخیره‌سازی، تکنیک‌های تجزیه و تحلیل و نیز تصویرسازی‌داده‌ها را پوشش می‌دهند. آنها درباره ابزارها و فناوری‌های رایج مورد استفاده در تجزیه و تحلیل داده‌های عظیم مانند Hadoop ،Apache Spark و الگوریتم‌های یادگیری ماشین بحث می‌کنند. یکی از تاکیدهای اصلی کتاب بر روی روش تحقیق در تجزیه و تحلیل داده‌های عظیم است. این کتاب همچنین، راهنمایی در مورد فرمول‌بندی سؤالات پژوهش، طراحی آزمایش‌ها، انتخاب تکنیک‌های مناسب تجزیه و تحلیل داده‌ها و تفسیر نتایج ارائه می‌کند. در ادامه نویسندگان بر اهمیت اخلاق و ملاحظات حریم خصوصی در پژوهش‌های عظیم‌داده تاکید می‌کنند.
📍در این کتاب، مطالعات موردی و نمونه‌هایی در دنیای واقعی برای نشان دادن مفاهیم و تکنیک‌های مورد بحث ارائه شده‌اند. این مطالعات موردی نشان می‌دهد که چگونه تجزیه و تحلیل عظیم‌داده‌ها با موفقیت در حوزه‌های مختلف مانند مراقبت‌های بهداشتی، کسب و کار، اجتماعی و آموزشی به کار گرفته شده است. علاوه بر این، کتاب حاضر به چالش‌ها و محدودیت‌های مرتبط با تجزیه و تحلیل عظیم‌داده‌ها، مانند مسائل مربوط به کیفیت داده، نگرانی‌های مقیاس پذیری، و پیامدهای اخلاقی می‌پردازد. برای غلبه بر این چالش‌ها و نیز به حداکثر رساندن ارزش عظیم‌داده، استراتژی‌ها و به روش‌هایی را ارائه می‌دهد.
📍به طور کلی، این کتاب به عنوان یک راهنمای عملی برای پژوهشگران و متخصصانی عمل می‌کند که می‌خواهند از قدرت تجزیه و تحلیل داده‌های عظیم استفاده کنند و آنها را با دانش و مهارت‌های لازم برای انجام پژوهش‌های مؤثر و استفاده از این نوع داده‌ها برای بینش و تصمیم‌گیری معنادار مجهز می‌کند.
این کتاب را می‌توانید در پست بعد دریافت نمایید.
#معرفی_کتاب
#عظیم_داده
#زهرا_رفیعی‌پور
@BigData_BusinessAnalytics
http://www.bdbanalytics.ir
📚معرفی کتاب
📌محاسبات شناختی برای سیستم‌های عظیم‌داده از طریق اینترنت اشیا
"Cognitive Computing for Big Data Systems Over IoT"
📌نویسندگان:
Arun kumar Sangaiah, Arunkumar Thangavelu, Venkatesan Meenakshi Sundaram
📌این کتاب در سال 2018 توسط Springer انتشار یافته است.
📍 این کتاب جامع به عنوان یک منبع ارزشمند برای کسانی که به دنبال درک عمیق‌تری از تقاطع بین محاسبات شناختی، عظیم‌داده و اینترنت اشیا هستند، عمل می‌کند. همگرایی عظیم‌داده و اینترنت اشیا حجم زیادی از داده را تولید و مبادله کرده و استخراج اطلاعات معتبر را چالش برانگیز می‌سازد. در این کتاب، تکنیک‌های یادگیری ماشینی برای تجزیه و تحلیل حجم زیاد داده‌ها و بهبود فرایند تصمیم‌گیری پیشنهاد شده است. محاسبات شناختی روشی است که رویکردهای فعلی علم داده را با بینش متخصصان و همچنین مفهوم هوش مصنوعی و استنتاج بر دانش ترکیب کرده و گسترش می‌دهد؛ همچنین در بسیاری از برنامه‌های کاربردی هوش مصنوعی از جمله سیستم‌های خبره، پردازش زبان طبیعی، شبکه‌های عصبی، روباتیک و واقعیت مجازی استفاده می‌شود.
📍نویسندگان در این کتاب دانش زمینه‌ای، استدلال علم داده و روش‌های شناختی را بر روی اینترنت اشیا بررسی کرده و تمرکز اصلی کتاب را بر طراحی بهترین فناوری‌های تعبیه‌شده شناختی برای پردازش و تجزیه و تحلیل عظیم‌داده جمع‌آوری‌شده توسط اینترنت اشیا و همچنین بهبود فرآيند تصمیم‌گیری قرار داده‌اند.
📍این کتاب به طیف گسترده‌ای از پارادایم‌های محاسبات شناختی و تصمیم‌گیری در یک صنعت یا سازمان، در تمام سطوح چالش‌های علم داده می‌پردازد. این کتاب برای دانشمندان علم داده، متخصصان، محققان و دانشگاهیان در نظر گرفته شده که با چالش‌ها و پیشرفت‌های جدید در زمینه‌های خاص محاسبات شناختی و علم داده در زمینه اینترنت اشیا سر و کار دارند. در این کتاب همچنین، چارچوب‌ها و ابزارهای عملی طراحی و برای مقابله با چالش‌های پیچیده مرتبط با تجزیه و تحلیل عظیم‌داده در محیط اینترنت اشیا ارائه شده است.
📍هدف این کتاب ارائه چارچوب نظری و آخرین یافته‌های تحقیقات تجربی در این زمینه است. راه‌حل‌های عظیم‌داده در مورد مشکلات اینترنت اشیا از طریق طیف گسترده‌ای از چارچوب‌های محاسباتی الگوریتمی و شناختی مانند بهینه‌سازی، یادگیری ماشین و سیستم‌های پشتیبان تصمیم به طور مؤثری مدیریت شده‌اند. نویسندگان فراتر از مرزهای نظری پیش رفته و برنامه‌های کاربردی دنیای واقعی را در حوزه‌های مختلف مانند مراقبت‌های بهداشتی، تولید و انرژی ارائه می‌دهند.
این کتاب را می‌توانید در پست بعد دریافت نمایید.
#معرفی_کتاب
#عظیم_داده
#زهرا_رفیعی‌پور
@BigData_BusinessAnalytics
http://www.bdbanalytics.ir
📌محاسبات شناختی برای سیستم‌های عظیم‌داده از طریق اینترنت اشیا
"Cognitive Computing for Big Data Systems Over IoT"
📌نویسندگان:
Arun kumar Sangaiah, Arunkumar Thangavelu, Venkatesan Meenakshi Sundaram
📌این کتاب در سال 2018 توسط Springer انتشار یافته است.
📍 این کتاب جامع به عنوان یک منبع ارزشمند برای کسانی که به دنبال درک عمیق‌تری از تقاطع بین محاسبات شناختی، عظیم‌داده و اینترنت اشیا هستند، عمل می‌کند. همگرایی عظیم‌داده و اینترنت اشیا حجم زیادی از داده را تولید و مبادله کرده و استخراج اطلاعات معتبر را چالش برانگیز می‌سازد. در این کتاب، تکنیک‌های یادگیری ماشینی برای تجزیه و تحلیل حجم زیاد داده‌ها و بهبود فرایند تصمیم‌گیری پیشنهاد شده است. محاسبات شناختی روشی است که رویکردهای فعلی علم داده را با بینش متخصصان و همچنین مفهوم هوش مصنوعی و استنتاج بر دانش ترکیب کرده و گسترش می‌دهد؛ همچنین در بسیاری از برنامه‌های کاربردی هوش مصنوعی از جمله سیستم‌های خبره، پردازش زبان طبیعی، شبکه‌های عصبی، روباتیک و واقعیت مجازی استفاده می‌شود.
📍نویسندگان در این کتاب دانش زمینه‌ای، استدلال علم داده و روش‌های شناختی را بر روی اینترنت اشیا بررسی کرده و تمرکز اصلی کتاب را بر طراحی بهترین فناوری‌های تعبیه‌شده شناختی برای پردازش و تجزیه و تحلیل عظیم‌داده جمع‌آوری‌شده توسط اینترنت اشیا و همچنین بهبود فرآيند تصمیم‌گیری قرار داده‌اند.
📍این کتاب به طیف گسترده‌ای از پارادایم‌های محاسبات شناختی و تصمیم‌گیری در یک صنعت یا سازمان، در تمام سطوح چالش‌های علم داده می‌پردازد. این کتاب برای دانشمندان علم داده، متخصصان، محققان و دانشگاهیان در نظر گرفته شده که با چالش‌ها و پیشرفت‌های جدید در زمینه‌های خاص محاسبات شناختی و علم داده در زمینه اینترنت اشیا سر و کار دارند. در این کتاب همچنین، چارچوب‌ها و ابزارهای عملی طراحی و برای مقابله با چالش‌های پیچیده مرتبط با تجزیه و تحلیل عظیم‌داده در محیط اینترنت اشیا ارائه شده است.
📍هدف این کتاب ارائه چارچوب نظری و آخرین یافته‌های تحقیقات تجربی در این زمینه است. راه‌حل‌های عظیم‌داده در مورد مشکلات اینترنت اشیا از طریق طیف گسترده‌ای از چارچوب‌های محاسباتی الگوریتمی و شناختی مانند بهینه‌سازی، یادگیری ماشین و سیستم‌های پشتیبان تصمیم به طور مؤثری مدیریت شده‌اند. نویسندگان فراتر از مرزهای نظری پیش رفته و برنامه‌های کاربردی دنیای واقعی را در حوزه‌های مختلف مانند مراقبت‌های بهداشتی، تولید و انرژی ارائه می‌دهند.
این کتاب را می‌توانید در پست بعد دریافت نمایید.
#معرفی_کتاب
#عظیم_داده
#زهرا_رفیعی‌پور
@BigData_BusinessAnalytics
http://www.bdbanalytics.ir
📚معرفی کتاب
📌کاربردهای عظیم‌داده در صنعت ۴
"Big Data Applications in Industry 4.0"
📌نویسندگان:
P. Kaliraje, T. Devi
📌این کتاب در سال ۲۰۲۲ توسط CRC Press انتشار یافته است.
📍 در این کتاب، نویسندگان به چشم‌انداز تحول‌آفرین صنعت ۴ می‌پردازند که بیانگر آخرین مرز فناوری در تولید است. محور این تحول، نقش بنیادی تجزیه و تحلیل عظیم‌داده بوده که به عنوان سنگ بنای صنعت ۴ شناسایی شده‌است. عظیم‌داده بینش‌های ارزشمندی را برای مدیریت موثر کارخانه‌های هوشمند ارائه می‌دهد. این کتاب همچنین بر ضرورت ابزارها و فن‌آوری‌های پیشرفته برای پردازش داده‌ها و اطمینان از تحویل اطلاعات مربوطه تأکید می‌کند. مزیت‌های بالقوه عظیم داده زمانی‌که با صنعت ۴ ادغام شود، به شکل‌دهی به فرآیندهای صنعتی، تأثیرگذاری بر مصرف منابع، ساده‌سازی فرآیندها، جهت‌دهی به اتوماسیون و نیز اهداف توسعه پایدار گسترش می‌یابد.
📍تکامل سریع این فناوری‌ها، به افراد با مهارت‌های سطح بالا و دانش عمیق نیاز دارد تا به چالش‌های بی‌وقفه رسیدگی کنند. این کتاب بر اهمیت هماهنگ ماندن با تغییرات کوچک در داده‌های تولید شده و بر تأثیر بالقوه آنها بر محیط و صنعت تأکید می‌کند. افزایش نرخ تولید داده‌ها، پیچیدگی تجزیه و تحلیل عظیم‌داده‌ها را تشدید، و آن را به یک قلمرو چالش‌برانگیز پژوهشی تبدیل می‌کند.
📍 پیش‌بینی می‌شود که چشم‌انداز بازار برای تجزیه و تحلیل عظیم‌داده‌ها، رشد قابل توجهی را تجربه کند. این افزایش در تقاضا نیاز روز افزون به متخصصان در این زمینه را برجسته می‌کند. افزایش تقاضا به دلیل حجم فزاینده، سرعت و تنوع داده‌های تولید شده در عصر دیجیتال امروزی است که نیازمند فناوری‌ها و روش‌های پیشرفته برای کشف اطلاعات ارزشمند برای تصمیم‌گیری، توسعه استراتژی و حل مشکلات در صنایع و بخش‌های مختلف است. توسعه مهارت برای هدایت صنعت ۴ و ایجاد زیرساخت‌های پیشرفته از منظر فناوری به عنوان عناصر کلیدی برای ستون‌های آینده توسعه جهانی پدیدار می‌شود.
📍 تغییرات پیش‌رونده تحول‌آفرین و تصاعدی، مؤسسات آموزشی و دانشگاه‌ها را ملزم می‌کند که ابزارهای صنعت ۴ را به طور فعالانه در برنامه‌های متنوع آموزشی و پژوهشی خود بگنجانند. این کتاب خود را به عنوان منبعی ارزشمند برای انتقال مفاهیم اساسی و دانش عظیم‌داده به فارغ‌التحصیلان معرفی می‌کند. نویسندگان همچنین با کشف جنبه‌های مختلف عظیم‌داده، کاربردها را در بخش‌های مختلف، از جمله امور مالی، آموزش، رسانه‌های اجتماعی، سنجش از راه دور و مراقبت‌های بهداشتی بررسی می‌کنند. دانشمندان، مهندسان و آماردانان با هدف ساخت برنامه‌های کاربردی عظیم‌داده‌ها برای حل مسئله در دنیای واقعی، مرجع جامعی را در این کتاب خواهند یافت.
📍در دیگر بخش‌های این کتاب به موضوعات خاصی مانند کاربردهای علم داده، ادغام صنعت ۴، اصول پیش‌بینی، کاربردهای مراقبت‌های بهداشتی و نقش عظیم‌داده در آموزش می‌پردازند. هر فصل به عنوان یک کاوش دقیق عمل می‌کند، و بینش‌های ارزشمندی را برای توسعه دهندگان نرم‌افزار، دانشجویان و اساتید و نیز محققان ارائه می‌دهد. محتوا به گونه‌ای طراحی شده است که غنی و جامع باشد و به خوانندگان کمک کند تا درک عمیقی از موضوع پیدا کنند. بینش‌های به اشتراک گذاشته شده در هر فصل چند وجهی است و می‌تواند در حوزه‌های مختلف حرفه‌ای و آموزشی اعمال شود و کتاب را به منبعی ارزشمند برای هر علاقه‌مند به این حوزه تبدیل می‌کند.
این کتاب را می‌توانید در پست بعد دریافت نمایید.
#معرفی_کتاب
#عظیم_داده
#زهرا_رفیعی‌پور
@BigData_BusinessAnalytics
http://www.bdbanalytics.ir
📌کاربردهای عظیم‌داده در صنعت ۴
"Big Data Applications in Industry 4.0"
📌نویسندگان:
P. Kaliraje, T. Devi
📌این کتاب در سال ۲۰۲۲ توسط CRC Press انتشار یافته است.
📍 در این کتاب، نویسندگان به چشم‌انداز تحول‌آفرین صنعت ۴ می‌پردازند که بیانگر آخرین مرز فناوری در تولید است. محور این تحول، نقش بنیادی تجزیه و تحلیل عظیم‌داده بوده که به عنوان سنگ بنای صنعت ۴ شناسایی شده‌است. عظیم‌داده بینش‌های ارزشمندی را برای مدیریت موثر کارخانه‌های هوشمند ارائه می‌دهد. این کتاب همچنین بر ضرورت ابزارها و فن‌آوری‌های پیشرفته برای پردازش داده‌ها و اطمینان از تحویل اطلاعات مربوطه تأکید می‌کند. مزیت‌های بالقوه عظیم داده زمانی‌که با صنعت ۴ ادغام شود، به شکل‌دهی به فرآیندهای صنعتی، تأثیرگذاری بر مصرف منابع، ساده‌سازی فرآیندها، جهت‌دهی به اتوماسیون و نیز اهداف توسعه پایدار گسترش می‌یابد.
📍تکامل سریع این فناوری‌ها، به افراد با مهارت‌های سطح بالا و دانش عمیق نیاز دارد تا به چالش‌های بی‌وقفه رسیدگی کنند. این کتاب بر اهمیت هماهنگ ماندن با تغییرات کوچک در داده‌های تولید شده و بر تأثیر بالقوه آنها بر محیط و صنعت تأکید می‌کند. افزایش نرخ تولید داده‌ها، پیچیدگی تجزیه و تحلیل عظیم‌داده‌ها را تشدید، و آن را به یک قلمرو چالش‌برانگیز پژوهشی تبدیل می‌کند.
📍 پیش‌بینی می‌شود که چشم‌انداز بازار برای تجزیه و تحلیل عظیم‌داده‌ها، رشد قابل توجهی را تجربه کند. این افزایش در تقاضا نیاز روز افزون به متخصصان در این زمینه را برجسته می‌کند. افزایش تقاضا به دلیل حجم فزاینده، سرعت و تنوع داده‌های تولید شده در عصر دیجیتال امروزی است که نیازمند فناوری‌ها و روش‌های پیشرفته برای کشف اطلاعات ارزشمند برای تصمیم‌گیری، توسعه استراتژی و حل مشکلات در صنایع و بخش‌های مختلف است. توسعه مهارت برای هدایت صنعت ۴ و ایجاد زیرساخت‌های پیشرفته از منظر فناوری به عنوان عناصر کلیدی برای ستون‌های آینده توسعه جهانی پدیدار می‌شود.
📍 تغییرات پیش‌رونده تحول‌آفرین و تصاعدی، مؤسسات آموزشی و دانشگاه‌ها را ملزم می‌کند که ابزارهای صنعت ۴ را به طور فعالانه در برنامه‌های متنوع آموزشی و پژوهشی خود بگنجانند. این کتاب خود را به عنوان منبعی ارزشمند برای انتقال مفاهیم اساسی و دانش عظیم‌داده به فارغ‌التحصیلان معرفی می‌کند. نویسندگان همچنین با کشف جنبه‌های مختلف عظیم‌داده، کاربردها را در بخش‌های مختلف، از جمله امور مالی، آموزش، رسانه‌های اجتماعی، سنجش از راه دور و مراقبت‌های بهداشتی بررسی می‌کنند. دانشمندان، مهندسان و آماردانان با هدف ساخت برنامه‌های کاربردی عظیم‌داده‌ها برای حل مسئله در دنیای واقعی، مرجع جامعی را در این کتاب خواهند یافت.
📍در دیگر بخش‌های این کتاب به موضوعات خاصی مانند کاربردهای علم داده، ادغام صنعت ۴، اصول پیش‌بینی، کاربردهای مراقبت‌های بهداشتی و نقش عظیم‌داده در آموزش می‌پردازند. هر فصل به عنوان یک کاوش دقیق عمل می‌کند، و بینش‌های ارزشمندی را برای توسعه دهندگان نرم‌افزار، دانشجویان و اساتید و نیز محققان ارائه می‌دهد. محتوا به گونه‌ای طراحی شده است که غنی و جامع باشد و به خوانندگان کمک کند تا درک عمیقی از موضوع پیدا کنند. بینش‌های به اشتراک گذاشته شده در هر فصل چند وجهی است و می‌تواند در حوزه‌های مختلف حرفه‌ای و آموزشی اعمال شود و کتاب را به منبعی ارزشمند برای هر علاقه‌مند به این حوزه تبدیل می‌کند.
این کتاب را می‌توانید در پست بعد دریافت نمایید.
#معرفی_کتاب
#عظیم_داده
#زهرا_رفیعی‌پور
@BigData_BusinessAnalytics
http://www.bdbanalytics.ir
📚معرفی کتاب "Big Data at Work: Dispelling the Myths, Uncovering the Opportunities"
عنوان:
🔍 «عظیم داده در کار: از بین بردن افسانه‌ها، کشف فرصت‌ها»
🖋 نویسنده : Thomas H. Davenport
📌 این کتاب در سال ۲۰۱۴ و توسط Harvard Business Review Pressانتشار یافته است.
📍این کتاب را می‌توان به عنوان راهنمایی کاربردی برای به کارگیری عظیم داده و استفاده از مزایای آن و شناخت چالش‌های موجود در به کارگیری آن در سازمان‌ها دانست. تمرکز کتاب بیشتر از مسائل فنی بر بعد انسانی و سازمانی پیاده‌سازی و استفاده از عظیم داده است.
📍نویسنده، نگارش کتاب را در ۸ فصل انجام داده است. دو فصل ابتدایی درباره‌ی اهمیت عظیم داده و چگونگی اثرگذاری آن در سطوح فردی مشاغل و سطوح سازمانی در صنایع متفاوت است. فصل سوم کتاب بر استراژی عظیم داده و ابعاد آن با توجه به نیازهای کسب‌وکار و اهداف سازمانی تمرکز دارد. فصل چهارم و پنجم کتاب به صورت خاص بر چالش‌های ابعاد انسانی و زیرساخت‌های تکنولوژیکی و تحلیلی این حوزه می‌پردازند. فصول بعدی کتاب چالش‌ها و عوامل کلیدی موفقیت استفاده از عظیم داده در سازمان‌ها و همچنین مطالعاتی موردی در سطوح سازمان‌های بزرگ و استارتاپ‌ها را در این رابطه بررسی می‌کنند. در انتها، پرسشنامه‌ای جهت ارزیابی آمادگی استفاده از عظیم داده آورده شده است.
📍می‌توان برخی از نکات با اهمیت که کتاب مباحث خود را حول آنها شکل می‌دهد را شامل مواردی زیر در نظر داشت:
🔹 مزایای عظیم داده همچون بهبود تصمیم‌گیری و افزایش کارایی و نوآوری در تمامی صنایع.
🔹نیاز به همراستایی زیرساختی در کنار فرهنگ مناسب با عظیم داده برای استفاد‌ه‌ی اثربخش از نتایج تحلیلی آن.
🔹مسئله‌محور بودن تمامی مراحل از جمع‌آوری تا تحلیل و آماده‌سازی گزارش‌ها و نپرداختن صرف به عظیم داده و ابعاد فنی مختلف آن.
📍به طور کلی، این کتاب دیدی نسبتا همه‌جانبه به مقوله‌ی عظیم‌داده داشته و همانگونه که خود نویسنده عنوان می‌کند، به جای پرداختن به این نکته که چه میزان داشتن این حجم از داده جذاب و مفید است، به آن پرداخته که صرف نظر از آنکه چه میزان داده در اختیار دارید، مهم آن است که چگونه از آن استفاده می‌کنید.
این کتاب را می‌توانید در پست بعد دریافت نمایید.
#معرفی_کتاب
#عظیم_داده
#احسان_نگهدار
@BigData_BusinessAnalytics
http://www.bdbanalytics.ir
عنوان:
🔍 «عظیم داده در کار: از بین بردن افسانه‌ها، کشف فرصت‌ها»
🖋 نویسنده : Thomas H. Davenport
📌 این کتاب در سال ۲۰۱۴ و توسط Harvard Business Review Pressانتشار یافته است.
📍این کتاب را می‌توان به عنوان راهنمایی کاربردی برای به کارگیری عظیم داده و استفاده از مزایای آن و شناخت چالش‌های موجود در به کارگیری آن در سازمان‌ها دانست. تمرکز کتاب بیشتر از مسائل فنی بر بعد انسانی و سازمانی پیاده‌سازی و استفاده از عظیم داده است.
📍نویسنده، نگارش کتاب را در ۸ فصل انجام داده است. دو فصل ابتدایی درباره‌ی اهمیت عظیم داده و چگونگی اثرگذاری آن در سطوح فردی مشاغل و سطوح سازمانی در صنایع متفاوت است. فصل سوم کتاب بر استراژی عظیم داده و ابعاد آن با توجه به نیازهای کسب‌وکار و اهداف سازمانی تمرکز دارد. فصل چهارم و پنجم کتاب به صورت خاص بر چالش‌های ابعاد انسانی و زیرساخت‌های تکنولوژیکی و تحلیلی این حوزه می‌پردازند. فصول بعدی کتاب چالش‌ها و عوامل کلیدی موفقیت استفاده از عظیم داده در سازمان‌ها و همچنین مطالعاتی موردی در سطوح سازمان‌های بزرگ و استارتاپ‌ها را در این رابطه بررسی می‌کنند. در انتها، پرسشنامه‌ای جهت ارزیابی آمادگی استفاده از عظیم داده آورده شده است.
📍می‌توان برخی از نکات با اهمیت که کتاب مباحث خود را حول آنها شکل می‌دهد را شامل مواردی زیر در نظر داشت:
🔹 مزایای عظیم داده همچون بهبود تصمیم‌گیری و افزایش کارایی و نوآوری در تمامی صنایع.
🔹نیاز به همراستایی زیرساختی در کنار فرهنگ مناسب با عظیم داده برای استفاد‌ه‌ی اثربخش از نتایج تحلیلی آن.
🔹مسئله‌محور بودن تمامی مراحل از جمع‌آوری تا تحلیل و آماده‌سازی گزارش‌ها و نپرداختن صرف به عظیم داده و ابعاد فنی مختلف آن.
📍به طور کلی، این کتاب دیدی نسبتا همه‌جانبه به مقوله‌ی عظیم‌داده داشته و همانگونه که خود نویسنده عنوان می‌کند، به جای پرداختن به این نکته که چه میزان داشتن این حجم از داده جذاب و مفید است، به آن پرداخته که صرف نظر از آنکه چه میزان داده در اختیار دارید، مهم آن است که چگونه از آن استفاده می‌کنید.
این کتاب را می‌توانید در پست بعد دریافت نمایید.
#معرفی_کتاب
#عظیم_داده
#احسان_نگهدار
@BigData_BusinessAnalytics
http://www.bdbanalytics.ir
📚معرفی کتاب "Artificial Intelligence for Business Analytics: Algorithms, Platforms and Application Scenarios"
🔍 عنوان: هوش مصنوعی برای تحلیلگری کسب و کار: الگوریتم‌ها، پلتفرم‌ها و سناریوهای کاربردی
🖋 نویسنده : Felix Weber
📌 این کتاب در سال 2023 و توسط انتشارات Springer انتشار یافته است.
📍بسیاری از تحلیل‌ها در محیط کسب و کار، تحلیل توصیفی است که بر اساس آمار توصیفی محاسباتی از قبیل میانگین، درصد، شمارش، حداکثر، حداقل و محاسبات ساده را ارائه می‌نماید یا نسخه‌های فیلتر شده داده‌ها را خلاصه می‌نماید. هدف از تجزیه و تحلیل توصیفی این است که به سادگی خلاصه کند و به شما بگوید چه اتفاقی افتاده است: فروش، تعداد مشتریان، درصد کل فروش با مواردی که تبلیغ شده‌اند، بازدید از صفحه و غیره.
🔹 تحلیل‌های توصیفی می‌تواند نتایج عملیات‌های ساده ریاضی باشد و امروزه در اکثر شرکت‌ها به انجام می‌رسد که اغلب به عنوان هوش تجاری از آن یاد می‌شود. همچنین اصطلاح تجزیه و تحلیل پیشرفته برای توصیف گسترش این گزارش‌ها استفاده می‌شود. به عنوان مثال، اگر ابتدا از یک فیلتر جغرافیایی برای تجزیه و تحلیل رسانه‌های اجتماعی استفاده کنید، می‌توانید معیارهایی مانند میانگین پست در هفته از آلمان و میانگین پست در هفته از هلند را دریافت کنید و بر روی نقشه نمایش دهید. با این حال، این تحلیل ابتدایی برای مزیت رقابتی نسبت به رقبا کافی نیست. به خصوص اگر ناگهان مجبور شوید با بومی‌های دیجیتالی مانند گوگل، آمازون یا علی بابا رقابت کنید. در واقع می‌توان گفت در عصر دیجیتالی شدن، این یک چالش واقعی برای بسیاری از صنایع است. این شرکت‌ها نه تنها بر اساس نرم‌افزار و پلتفرم‌ها، بلکه مهم‌تر از آن، بر اساس تحلیل‌های پیچیده عمل می‌کنند. به طور مثال اوبر پایگاه داده عظیمی از رانندگان دارد، بنابراین به محض درخواست خودرو، الگوریتم اوبر آماده راه اندازی است و در عرض 15 ثانیه یا کمتر، شما را با راننده نزدیک به شما مطابقت می‌دهد. در پس‌زمینه، اوبر داده‌های مربوط به هر خودرو را ذخیره می‌کند - حتی زمانی که راننده مسافر ندارد. همه این داده‌ها ذخیره شده و برای پیش‌بینی عرضه و تقاضا، تعیین کرایه‌ها و شناسایی مسائل مرتبط با حمل و نقل شهری استفاده می‌شود.
📍این کتاب با هدف معرفی جنبه های ضروری تحلیلگری کسب و کار و استفاده از روش‌های هوش مصنوعی ارائه شده است. در این راستا ابتدا اصطلاحات و الگوهای فکری اساسی تحلیلگری از تحلیل توصیفی و پیش‌بینی‌کننده تا تحلیل تجویزی در بخش «رده‌بندی روش‌ها و مدل‌های تحلیلی» معرفی شده‌اند. به دنبال آن، مدل تحلیلگری کسب و کار برای هوش مصنوعی، یک مدل فرآیندی برای اجرای پروژه‌های تجزیه و تحلیل کسب و کار در بخش «مدل رویه‌ها: مدل تحلیلگری کسب و کار برای هوش مصنوعی» و یک چارچوب فناوری دنبال می‌شود که شامل ارائه مهم ترین چارچوب‌ها، زبان‌های برنامه نویسی و معماری‌ها می‌باشد. پس از ارائه مقدمه‌ای بر هوش مصنوعی در فصل 2 و به ویژه زیرشاخه یادگیری ماشین، فصل 3 با عنوان «انواع مسائل در هوش مصنوعی و الگوریتم‌های آنها» به مهم‌ترین مسائل و الگوریتم‌های قابل اجرا به شیوه‌ای قابل درک می‌پردازد. در ادامه یک مرور کلی از پلتفرم‌های ابری رایج در بخش «تجزیه و تحلیل کسب‌وکار و یادگیری ماشین به عنوان یک سرویس (پلتفرم‌های ابری)» ارائه می‌شود که اجرای سریع یک پروژه تحلیلگری کسب و کار را امکان‌پذیر می‌سازد. در نهایت، چندین سناریوی کاربردی از دیدگاه‌های مختلف، استفاده احتمالی از AI و BA را در صنایع مختلف به عنوان بخش مطالعات موردی «ساخت یا خرید؟» نشان می‌دهد.
📍این کتاب به عنوان یک مقدمه و مرور کلی برای تصمیم‌گیران و متخصصان فناوری اطلاعات و حوزه‌های کاربردی مرتبط مطرح شده است و در بسیاری از موارد به ادبیات عمیق‌تری برای مطالعه بیشتر اشاره شده است.
این کتاب را می‌توانید از لینک زیر دریافت نمایید.
🔗 https://bdbanalytics.ir/jgao
#معرفی_کتاب
#هوش_مصنوعی
#تحلیلگری_کسب_و_کار
#فاطمه_مظفری
@BigData_BusinessAnalytics
http://www.bdbanalytics.ir
🔍 عنوان: هوش مصنوعی برای تحلیلگری کسب و کار: الگوریتم‌ها، پلتفرم‌ها و سناریوهای کاربردی
🖋 نویسنده : Felix Weber
📌 این کتاب در سال 2023 و توسط انتشارات Springer انتشار یافته است.
📍بسیاری از تحلیل‌ها در محیط کسب و کار، تحلیل توصیفی است که بر اساس آمار توصیفی محاسباتی از قبیل میانگین، درصد، شمارش، حداکثر، حداقل و محاسبات ساده را ارائه می‌نماید یا نسخه‌های فیلتر شده داده‌ها را خلاصه می‌نماید. هدف از تجزیه و تحلیل توصیفی این است که به سادگی خلاصه کند و به شما بگوید چه اتفاقی افتاده است: فروش، تعداد مشتریان، درصد کل فروش با مواردی که تبلیغ شده‌اند، بازدید از صفحه و غیره.
🔹 تحلیل‌های توصیفی می‌تواند نتایج عملیات‌های ساده ریاضی باشد و امروزه در اکثر شرکت‌ها به انجام می‌رسد که اغلب به عنوان هوش تجاری از آن یاد می‌شود. همچنین اصطلاح تجزیه و تحلیل پیشرفته برای توصیف گسترش این گزارش‌ها استفاده می‌شود. به عنوان مثال، اگر ابتدا از یک فیلتر جغرافیایی برای تجزیه و تحلیل رسانه‌های اجتماعی استفاده کنید، می‌توانید معیارهایی مانند میانگین پست در هفته از آلمان و میانگین پست در هفته از هلند را دریافت کنید و بر روی نقشه نمایش دهید. با این حال، این تحلیل ابتدایی برای مزیت رقابتی نسبت به رقبا کافی نیست. به خصوص اگر ناگهان مجبور شوید با بومی‌های دیجیتالی مانند گوگل، آمازون یا علی بابا رقابت کنید. در واقع می‌توان گفت در عصر دیجیتالی شدن، این یک چالش واقعی برای بسیاری از صنایع است. این شرکت‌ها نه تنها بر اساس نرم‌افزار و پلتفرم‌ها، بلکه مهم‌تر از آن، بر اساس تحلیل‌های پیچیده عمل می‌کنند. به طور مثال اوبر پایگاه داده عظیمی از رانندگان دارد، بنابراین به محض درخواست خودرو، الگوریتم اوبر آماده راه اندازی است و در عرض 15 ثانیه یا کمتر، شما را با راننده نزدیک به شما مطابقت می‌دهد. در پس‌زمینه، اوبر داده‌های مربوط به هر خودرو را ذخیره می‌کند - حتی زمانی که راننده مسافر ندارد. همه این داده‌ها ذخیره شده و برای پیش‌بینی عرضه و تقاضا، تعیین کرایه‌ها و شناسایی مسائل مرتبط با حمل و نقل شهری استفاده می‌شود.
📍این کتاب با هدف معرفی جنبه های ضروری تحلیلگری کسب و کار و استفاده از روش‌های هوش مصنوعی ارائه شده است. در این راستا ابتدا اصطلاحات و الگوهای فکری اساسی تحلیلگری از تحلیل توصیفی و پیش‌بینی‌کننده تا تحلیل تجویزی در بخش «رده‌بندی روش‌ها و مدل‌های تحلیلی» معرفی شده‌اند. به دنبال آن، مدل تحلیلگری کسب و کار برای هوش مصنوعی، یک مدل فرآیندی برای اجرای پروژه‌های تجزیه و تحلیل کسب و کار در بخش «مدل رویه‌ها: مدل تحلیلگری کسب و کار برای هوش مصنوعی» و یک چارچوب فناوری دنبال می‌شود که شامل ارائه مهم ترین چارچوب‌ها، زبان‌های برنامه نویسی و معماری‌ها می‌باشد. پس از ارائه مقدمه‌ای بر هوش مصنوعی در فصل 2 و به ویژه زیرشاخه یادگیری ماشین، فصل 3 با عنوان «انواع مسائل در هوش مصنوعی و الگوریتم‌های آنها» به مهم‌ترین مسائل و الگوریتم‌های قابل اجرا به شیوه‌ای قابل درک می‌پردازد. در ادامه یک مرور کلی از پلتفرم‌های ابری رایج در بخش «تجزیه و تحلیل کسب‌وکار و یادگیری ماشین به عنوان یک سرویس (پلتفرم‌های ابری)» ارائه می‌شود که اجرای سریع یک پروژه تحلیلگری کسب و کار را امکان‌پذیر می‌سازد. در نهایت، چندین سناریوی کاربردی از دیدگاه‌های مختلف، استفاده احتمالی از AI و BA را در صنایع مختلف به عنوان بخش مطالعات موردی «ساخت یا خرید؟» نشان می‌دهد.
📍این کتاب به عنوان یک مقدمه و مرور کلی برای تصمیم‌گیران و متخصصان فناوری اطلاعات و حوزه‌های کاربردی مرتبط مطرح شده است و در بسیاری از موارد به ادبیات عمیق‌تری برای مطالعه بیشتر اشاره شده است.
این کتاب را می‌توانید از لینک زیر دریافت نمایید.
🔗 https://bdbanalytics.ir/jgao
#معرفی_کتاب
#هوش_مصنوعی
#تحلیلگری_کسب_و_کار
#فاطمه_مظفری
@BigData_BusinessAnalytics
http://www.bdbanalytics.ir
📚معرفی کتاب
📌روش‌های توسعه برای سیستم‌های تحلیل عظیم‌داده
"Development Methodologies for Big Data Analytics Systems"
📌نویسندگان:
Manuel Mora, FenWang, Jorge Marx Gomez, Hector Duran-Limon
📌این کتاب در سال 2024 توسط Springer انتشار یافته است.
📍 رشد فزاینده‌ی حجم، تنوع و سرعت داده‌ها، که اغلب با عنوان «عظیم‌داده» شناخته می‌شود، رویکرد ما به تصمیم‌گیری در صنایع مختلف را متحول کرده است. سیستم‌های تحلیل عظیم‌داده (BDA) راه‌حل‌های نرم‌افزاری هستند که به‌طور خاص برای استخراج بینش‌های ارزشمند از این مجموعه داده‌های عظیم طراحی شده‌اند. این کتاب به دنیای سیستم‌های BDA می‌پردازد و با بررسی روش‌های توسعه، کاربردهای موفقیت آمیز آن را در حوزه‌های مختلف به نمایش می‌گذارد.
📍این کتاب، سیستم‌های BDA را به عنوان سنگ بنای حوزه‌ی نوظهور «علم داده» معرفی می‌کند. علم داده خود از همگرایی سه حوزه‌ی کلیدی، آمار، علوم رایانه و تحلیل هوش تجاری، نشأت می‌گیرد. هدف اصلی آن استفاده از قدرت داده‌های عظیم برای توسعه‌ی مفاهیم، مدل‌ها، روش‌ها و ابزارهایی است که بتواند ارزش پنهان در منابع عظیم داده‌های داخلی و خارجی سازمان‌ها را آشکار سازد.
📍اگرچه به‌طور سنتی به دلیل نیاز به منابع انسانی، فناوری و منابع سازمانی قابل توجه، سیستم‌های BDA عمدتا توسط کسب‌وکارهای بزرگ به کار گرفته می‌شدند، اما امروزه در حال گسترش به سایر بخش‌ها نیز می‌باشد. با این حال، خلأیی اساسی در توسعه‌ی نظام‌مند این سیستم‌ها وجود دارد. علی‌رغم به‌کارگیری روش‌های توسعه‌ی آزموده‌شده‌ای مانند CRISP-DM، SEMMA و KDD برای سیستم‌های تحلیل داده، تعداد قابل توجهی از پروژه‌های BDA در عمل نمی‌توانند به وعده‌های خود وفا کنند. از دیدگاه مهندسی نرم‌افزار، فرآیندها و روش‌های توسعه‌ی قوی، شامل رویکردهای برنامه‌محور، چابک، ترکیبی و سبک‌وزن، برای برآورده کردن محدودیت‌های حیاتی «مثلث آهنین» پروژه (زمان‌بندی، بودجه و کیفیت) ضروری هستند. این امر، نیاز روزافزون به ادغام اصول مهندسی نرم‌افزار و سیستم در توسعه‌ی سیستم‌های BDA را برای اطمینان از نتایج موفقیت‌آمیز که مطابق با انتظارات کسب‌وکار باشد، برجسته می‌کند.
📍برای دستیابی به این هدف، سردبیران کتاب از پژوهشگران برجسته در هر دو حوزه‌ی مهندسی نرم‌افزار و علم داده دعوت کرده‌اند تا در مورد طیف وسیعی از موضوعات مشارکت نمایند و خلأ موردنظر را برطرف نمایند. این کتاب شامل ۱۱ فصل می‌باشد و توسط پژوهشگران بین‌المللی تنظیم شده تا موضوعات اساسی، روش‌شناسی‌ها، چارچوب‌ها و کاربردهای دنیای واقعی را پوشش دهد. این کتاب برای پژوهشگران، دانشگاهیان، متخصصان و دانشجویان دوره‌ی دکتری که به توسعه‌ی نظام‌مند سیستم‌های تحلیل عظیم‌داده علاقه‌مند هستند، در نظر گرفته شده است. کتاب به سه بخش زیر تقسیم شده است:
۱- بنیاد سیستم‌های تحلیل عظیم‌داده: این بخش به بررسی مفاهیم اساسی زیربنای سیستم‌های BDA از جمله بنیادهای تحلیل عظیم‌داده و علم داده، چارچوب، معماری، ابزار و پلتفرم‌ها و فنون محاسباتی می‌پردازد.
۲- روش‌های توسعه برای سیستم‌های تحلیل عظیم‌داده: این بخش، با بررسی روش‌های توسعه مانند CRISP-DM، SEMMA و KDD در کنار روش‌های توسعه‌ی نرم‌افزار عمومی مانند RUP، MBASE و MSF، به عمق روش‌های توسعه می‌پردازد. همچنین، این بخش به بررسی روش‌های خاص چابک، ترکیبی و سبک‌وزن مبتنی بر چارچوب‌هایی مانند Scrum، XP، ISO/IEC 29110 و Microsoft TDSP می‌پردازد.
۳- کاربرد، چالش و مسیرهای آینده‌ی سیستم‌های تحلیل عظیم‌داده: این بخش به بررسی کاربردهای واقعی سیستم‌های BDA در حوزه‌های مختلفی مانند مراقبت‌های بهداشتی، بازاریابی، امور مالی، آموزش، ورزش، خرده فروشی، لجستیک و تولید و همچنین چالش‌ها، محدودیت‌ها و روندهای فعلی در این زمینه می‌پردازد.
این کتاب را می‌توانید از لینک زیر دریافت فرمایید.
🔗 https://bdbanalytics.ir/4mm6
#معرفی_کتاب
#عظیم_داده
#زهرا_رفیعی‌پور
@BigData_BusinessAnalytics
http://www.bdbanalytics.ir
📌روش‌های توسعه برای سیستم‌های تحلیل عظیم‌داده
"Development Methodologies for Big Data Analytics Systems"
📌نویسندگان:
Manuel Mora, FenWang, Jorge Marx Gomez, Hector Duran-Limon
📌این کتاب در سال 2024 توسط Springer انتشار یافته است.
📍 رشد فزاینده‌ی حجم، تنوع و سرعت داده‌ها، که اغلب با عنوان «عظیم‌داده» شناخته می‌شود، رویکرد ما به تصمیم‌گیری در صنایع مختلف را متحول کرده است. سیستم‌های تحلیل عظیم‌داده (BDA) راه‌حل‌های نرم‌افزاری هستند که به‌طور خاص برای استخراج بینش‌های ارزشمند از این مجموعه داده‌های عظیم طراحی شده‌اند. این کتاب به دنیای سیستم‌های BDA می‌پردازد و با بررسی روش‌های توسعه، کاربردهای موفقیت آمیز آن را در حوزه‌های مختلف به نمایش می‌گذارد.
📍این کتاب، سیستم‌های BDA را به عنوان سنگ بنای حوزه‌ی نوظهور «علم داده» معرفی می‌کند. علم داده خود از همگرایی سه حوزه‌ی کلیدی، آمار، علوم رایانه و تحلیل هوش تجاری، نشأت می‌گیرد. هدف اصلی آن استفاده از قدرت داده‌های عظیم برای توسعه‌ی مفاهیم، مدل‌ها، روش‌ها و ابزارهایی است که بتواند ارزش پنهان در منابع عظیم داده‌های داخلی و خارجی سازمان‌ها را آشکار سازد.
📍اگرچه به‌طور سنتی به دلیل نیاز به منابع انسانی، فناوری و منابع سازمانی قابل توجه، سیستم‌های BDA عمدتا توسط کسب‌وکارهای بزرگ به کار گرفته می‌شدند، اما امروزه در حال گسترش به سایر بخش‌ها نیز می‌باشد. با این حال، خلأیی اساسی در توسعه‌ی نظام‌مند این سیستم‌ها وجود دارد. علی‌رغم به‌کارگیری روش‌های توسعه‌ی آزموده‌شده‌ای مانند CRISP-DM، SEMMA و KDD برای سیستم‌های تحلیل داده، تعداد قابل توجهی از پروژه‌های BDA در عمل نمی‌توانند به وعده‌های خود وفا کنند. از دیدگاه مهندسی نرم‌افزار، فرآیندها و روش‌های توسعه‌ی قوی، شامل رویکردهای برنامه‌محور، چابک، ترکیبی و سبک‌وزن، برای برآورده کردن محدودیت‌های حیاتی «مثلث آهنین» پروژه (زمان‌بندی، بودجه و کیفیت) ضروری هستند. این امر، نیاز روزافزون به ادغام اصول مهندسی نرم‌افزار و سیستم در توسعه‌ی سیستم‌های BDA را برای اطمینان از نتایج موفقیت‌آمیز که مطابق با انتظارات کسب‌وکار باشد، برجسته می‌کند.
📍برای دستیابی به این هدف، سردبیران کتاب از پژوهشگران برجسته در هر دو حوزه‌ی مهندسی نرم‌افزار و علم داده دعوت کرده‌اند تا در مورد طیف وسیعی از موضوعات مشارکت نمایند و خلأ موردنظر را برطرف نمایند. این کتاب شامل ۱۱ فصل می‌باشد و توسط پژوهشگران بین‌المللی تنظیم شده تا موضوعات اساسی، روش‌شناسی‌ها، چارچوب‌ها و کاربردهای دنیای واقعی را پوشش دهد. این کتاب برای پژوهشگران، دانشگاهیان، متخصصان و دانشجویان دوره‌ی دکتری که به توسعه‌ی نظام‌مند سیستم‌های تحلیل عظیم‌داده علاقه‌مند هستند، در نظر گرفته شده است. کتاب به سه بخش زیر تقسیم شده است:
۱- بنیاد سیستم‌های تحلیل عظیم‌داده: این بخش به بررسی مفاهیم اساسی زیربنای سیستم‌های BDA از جمله بنیادهای تحلیل عظیم‌داده و علم داده، چارچوب، معماری، ابزار و پلتفرم‌ها و فنون محاسباتی می‌پردازد.
۲- روش‌های توسعه برای سیستم‌های تحلیل عظیم‌داده: این بخش، با بررسی روش‌های توسعه مانند CRISP-DM، SEMMA و KDD در کنار روش‌های توسعه‌ی نرم‌افزار عمومی مانند RUP، MBASE و MSF، به عمق روش‌های توسعه می‌پردازد. همچنین، این بخش به بررسی روش‌های خاص چابک، ترکیبی و سبک‌وزن مبتنی بر چارچوب‌هایی مانند Scrum، XP، ISO/IEC 29110 و Microsoft TDSP می‌پردازد.
۳- کاربرد، چالش و مسیرهای آینده‌ی سیستم‌های تحلیل عظیم‌داده: این بخش به بررسی کاربردهای واقعی سیستم‌های BDA در حوزه‌های مختلفی مانند مراقبت‌های بهداشتی، بازاریابی، امور مالی، آموزش، ورزش، خرده فروشی، لجستیک و تولید و همچنین چالش‌ها، محدودیت‌ها و روندهای فعلی در این زمینه می‌پردازد.
این کتاب را می‌توانید از لینک زیر دریافت فرمایید.
🔗 https://bdbanalytics.ir/4mm6
#معرفی_کتاب
#عظیم_داده
#زهرا_رفیعی‌پور
@BigData_BusinessAnalytics
http://www.bdbanalytics.ir
📚معرفی کتاب
🔍 تحلیل افراد در زمانه‌ی عظیم‌داده
"People Analytics in the Era of Big Data: Changing the Way You Attract, Acquire, Develop, and Retain Talent”
🖋 نویسندگان: Jean Paul Isson, Jesse S. Harriott
📌این کتاب در سال ۲۰۱۶ و توسط Wiley انتشار یافته است.
📍این کتاب را می‌توان به عنوان راهنمایی کامل استفاده از تحلیل عظیم داده در فرایندهای مختلف منابع انسانی در نظر گرفت که با تمرکز بر مدیریت استعداد و استفاده از داده‌های افراد در فرایندهای مختلف نگاشته شده است.
📍کتاب به ۱۴ فصل تقسیم شده که ۳ فصل اولیه به مقدمات تحلیل افراد، فصول ۴ تا ۱۲ به بررسی جداگانه‌ی فرایندهای منابع انسانی و استفاده از تحلیل افراد در آنها پرداخته شده و در نهایت در دو فصل آخر ترکیب عظیم داده و تحلیل افراد و آینده‌ی تحلیل افراد را بررسی می‌کند. ساختار کتاب به گونه‌ای است که در هر فصل علاوه بر توضیح مفاهیم، شامل مصاحبه با صاحب‌نظران هر حوزه در استفاده از تحلیل افراد در آن حوزه و مطالعه موردی‌های مختلف در پیاده‌سازی‌های موفق تحلیل افراد در آن حوزه‌ها می‌شود.
📍کتاب ۷ ستون اصلی موفقیت تحلیل افراد را به صورت زیر معرفی می‌کند و در نهایت ترکیب این مفاهیم را با اهرم تحلیل عظیم‌داده مورد بررسی قرار می‌دهد:
🔹 تحلیل برنامه‌ریزی افراد.
🔹تحلیل‌های منبع‌یابی.
🔹تحلیل‌های جذب و استخدام.
🔹آنبورد افراد، سازگاری فرهنگی و مشارکت کارکنان.
🔹ارزیابی عملکرد، توسعه و ارزش طول عمر کارکنان.
🔹خروج و نگهداشت کارکنان.
🔹سلامتی، بهداشت و امنیت کارکنان.
📍نگارندگان سعی داشته‌اند داده‌محور شدن تصمیم‌های مدیران منابع انسانی و مبتنی بر واقعیت شدن آنها را با توجه به رشد روزافزون حجم، تنوع و سرعت داده‌ها که عظیم‌داده را شکل می‌دهند در این کتاب هدف قرار دهند که با توجه به ساختار موجود در کتاب می‌توان نتیجه گرفت تا میزان زیادی به این مهم دست پیدا کرده‌اند.
این کتاب را می‌توانید در لینک زیر دریافت فرمایید.
🔗 https://bdbanalytics.ir/qrp3
#معرفی_کتاب
#عظیم_داده
#احسان_نگهدار
@BigData_BusinessAnalytics
http://www.bdbanalytics.ir
🔍 تحلیل افراد در زمانه‌ی عظیم‌داده
"People Analytics in the Era of Big Data: Changing the Way You Attract, Acquire, Develop, and Retain Talent”
🖋 نویسندگان: Jean Paul Isson, Jesse S. Harriott
📌این کتاب در سال ۲۰۱۶ و توسط Wiley انتشار یافته است.
📍این کتاب را می‌توان به عنوان راهنمایی کامل استفاده از تحلیل عظیم داده در فرایندهای مختلف منابع انسانی در نظر گرفت که با تمرکز بر مدیریت استعداد و استفاده از داده‌های افراد در فرایندهای مختلف نگاشته شده است.
📍کتاب به ۱۴ فصل تقسیم شده که ۳ فصل اولیه به مقدمات تحلیل افراد، فصول ۴ تا ۱۲ به بررسی جداگانه‌ی فرایندهای منابع انسانی و استفاده از تحلیل افراد در آنها پرداخته شده و در نهایت در دو فصل آخر ترکیب عظیم داده و تحلیل افراد و آینده‌ی تحلیل افراد را بررسی می‌کند. ساختار کتاب به گونه‌ای است که در هر فصل علاوه بر توضیح مفاهیم، شامل مصاحبه با صاحب‌نظران هر حوزه در استفاده از تحلیل افراد در آن حوزه و مطالعه موردی‌های مختلف در پیاده‌سازی‌های موفق تحلیل افراد در آن حوزه‌ها می‌شود.
📍کتاب ۷ ستون اصلی موفقیت تحلیل افراد را به صورت زیر معرفی می‌کند و در نهایت ترکیب این مفاهیم را با اهرم تحلیل عظیم‌داده مورد بررسی قرار می‌دهد:
🔹 تحلیل برنامه‌ریزی افراد.
🔹تحلیل‌های منبع‌یابی.
🔹تحلیل‌های جذب و استخدام.
🔹آنبورد افراد، سازگاری فرهنگی و مشارکت کارکنان.
🔹ارزیابی عملکرد، توسعه و ارزش طول عمر کارکنان.
🔹خروج و نگهداشت کارکنان.
🔹سلامتی، بهداشت و امنیت کارکنان.
📍نگارندگان سعی داشته‌اند داده‌محور شدن تصمیم‌های مدیران منابع انسانی و مبتنی بر واقعیت شدن آنها را با توجه به رشد روزافزون حجم، تنوع و سرعت داده‌ها که عظیم‌داده را شکل می‌دهند در این کتاب هدف قرار دهند که با توجه به ساختار موجود در کتاب می‌توان نتیجه گرفت تا میزان زیادی به این مهم دست پیدا کرده‌اند.
این کتاب را می‌توانید در لینک زیر دریافت فرمایید.
🔗 https://bdbanalytics.ir/qrp3
#معرفی_کتاب
#عظیم_داده
#احسان_نگهدار
@BigData_BusinessAnalytics
http://www.bdbanalytics.ir
📚معرفی کتاب
🔍 دایرةالمعارف فناوری‌های عظیم‌داده
"Encyclopedia of Big Data Technologies"
🖌 نویسندگان: Sherif Sakr, Albert Zomaya
📌این کتاب در سال ۲۰۲۰ توسط Springer انتشار یافته است.
📌دایرةالمعارف فناوری‌های عظیم‌داده توسط کارشناسان موضوعی از سراسر جهان، هم در صنعت و هم در دانشگاه، تالیف شده است، طیف گسترده ای از موضوعات عظیم داده را با عمق و دقت بی نظیری پوشش می‌دهد. هیئت نویسندگان، متشکل از ۳۵ محقق برجسته، تضمین می‌کنند که هر بخش به طوری طراحی شده تا مناسب‌ترین اصطلاحات را به تصویر بکشد. این کارشناسان مقالات را به شیوه‌ای سازگار و استاندارد توسعه می‌دهند و از محتوای با کیفیت و قابل اعتماد، اطمینان می‌دهند.
📌این کتاب مرجع گسترده به نیاز حیاتی برای وجود یک منبع تحقیقاتی جامع در حوزه فناوری‌های عظیم‌داده می‌پردازد، از مرزهای انضباطی فراتر می‌رود و رشته‌های فنی مانند سیستم‌های ذخیره‌سازی عظیم داده، پایگاه‌های داده NoSQL، محاسبات ابری، سیستم‌های توزیع‌شده، یادگیری ماشین و فناوری‌های اجتماعی را در بر می‌گیرد.
ویژگی‌های کلیدی:
🔸پوشش جامع: این دایرةالمعارف بیش از ۳۰۰ مدخل را ارائه می‌کند که مفاهیم و اصطلاحات کلیدی را در زمینه گسترده عظیم‌داده و یادگیری ماشین پوشش می‌دهد. هر ورودی شامل مقالات عمیق، تعاریف، پیشینه تاریخی، برنامه‌های کاربردی کلیدی و کتابشناسی ست که درک کاملی از موضوع را ارائه می‌دهد.
🔸ارجاعات متقابل گسترده: برای تسهیل در کشف سریع و کارآمد اطلاعات، دایرةالمعارف شامل ارجاعات متقابل گسترده است که به خوانندگان امکان می‌دهد به طور یکپارچه در موضوعات مرتبط به هم حرکت کنند.
🔸رویکرد میان رشته‌ای: دایرةالمعارف صرفاً بر یک رشته یا حوزه تحقیقاتی تمرکز نمی‌کند بلکه جنبه‌ها و فناوری‌های مختلف مربوط به عظیم داده را پوشش می‌دهد، از جمله فناوری‌های فعال، یکپارچه‌سازی داده‌ها، ذخیره‌سازی و نمایه‌سازی، فشرده‌سازی داده‌ها، مدل‌های برنامه‌نویسی، سیستم‌های SQL، سیستم‌های جریان، پردازش داده‌های معنایی، تجزیه و تحلیل گراف، مدیریت داده‌های مکانی، تجزیه و تحلیل، تجزیه و تحلیل فرآیند کسب‌وکار، پردازش بر روی سخت افزار مدرن، برنامه‌های امنیت و حریم خصوصی.
📌با درک پتانسیل بالای تجزیه و تحلیل عظیم داده، جوامع تحقیقاتی، شرکت‌ها و بخش‌های دولتی به طور مداوم در این حوزه پیشرفت می‌کنند. هدف "دایرةالمعارف فناوری‌های عظیم داده" ارائه یک نمای کلی جامع از این پیشرفت‌ها است و اطمینان حاصل می‌کند که مدخل‌ها به طور مرتب به روز می‌شوند تا آخرین پیشرفت‌ها را منعکس کنند. همچنین با مشارکت بسیاری از رهبران در این زمینه، دایرةالمعارف مطالب خواندنی ارزشمندی را برای طیف گسترده‌ای از مخاطبان، از محققان متخصص و مهندسان نرم افزار گرفته تا دانشجویان و پژوهشگران جوان ارائه می‌دهد.
این کتاب را می‌توانید در لینک زیر دریافت فرمایید.
🔗 https://bdbanalytics.ir/2vk7
#معرفی_کتاب
#عظیم_داده
#زهرا_رفیعی‌پور
@BigData_BusinessAnalytics
http://www.bdbanalytics.ir
🔍 دایرةالمعارف فناوری‌های عظیم‌داده
"Encyclopedia of Big Data Technologies"
🖌 نویسندگان: Sherif Sakr, Albert Zomaya
📌این کتاب در سال ۲۰۲۰ توسط Springer انتشار یافته است.
📌دایرةالمعارف فناوری‌های عظیم‌داده توسط کارشناسان موضوعی از سراسر جهان، هم در صنعت و هم در دانشگاه، تالیف شده است، طیف گسترده ای از موضوعات عظیم داده را با عمق و دقت بی نظیری پوشش می‌دهد. هیئت نویسندگان، متشکل از ۳۵ محقق برجسته، تضمین می‌کنند که هر بخش به طوری طراحی شده تا مناسب‌ترین اصطلاحات را به تصویر بکشد. این کارشناسان مقالات را به شیوه‌ای سازگار و استاندارد توسعه می‌دهند و از محتوای با کیفیت و قابل اعتماد، اطمینان می‌دهند.
📌این کتاب مرجع گسترده به نیاز حیاتی برای وجود یک منبع تحقیقاتی جامع در حوزه فناوری‌های عظیم‌داده می‌پردازد، از مرزهای انضباطی فراتر می‌رود و رشته‌های فنی مانند سیستم‌های ذخیره‌سازی عظیم داده، پایگاه‌های داده NoSQL، محاسبات ابری، سیستم‌های توزیع‌شده، یادگیری ماشین و فناوری‌های اجتماعی را در بر می‌گیرد.
ویژگی‌های کلیدی:
🔸پوشش جامع: این دایرةالمعارف بیش از ۳۰۰ مدخل را ارائه می‌کند که مفاهیم و اصطلاحات کلیدی را در زمینه گسترده عظیم‌داده و یادگیری ماشین پوشش می‌دهد. هر ورودی شامل مقالات عمیق، تعاریف، پیشینه تاریخی، برنامه‌های کاربردی کلیدی و کتابشناسی ست که درک کاملی از موضوع را ارائه می‌دهد.
🔸ارجاعات متقابل گسترده: برای تسهیل در کشف سریع و کارآمد اطلاعات، دایرةالمعارف شامل ارجاعات متقابل گسترده است که به خوانندگان امکان می‌دهد به طور یکپارچه در موضوعات مرتبط به هم حرکت کنند.
🔸رویکرد میان رشته‌ای: دایرةالمعارف صرفاً بر یک رشته یا حوزه تحقیقاتی تمرکز نمی‌کند بلکه جنبه‌ها و فناوری‌های مختلف مربوط به عظیم داده را پوشش می‌دهد، از جمله فناوری‌های فعال، یکپارچه‌سازی داده‌ها، ذخیره‌سازی و نمایه‌سازی، فشرده‌سازی داده‌ها، مدل‌های برنامه‌نویسی، سیستم‌های SQL، سیستم‌های جریان، پردازش داده‌های معنایی، تجزیه و تحلیل گراف، مدیریت داده‌های مکانی، تجزیه و تحلیل، تجزیه و تحلیل فرآیند کسب‌وکار، پردازش بر روی سخت افزار مدرن، برنامه‌های امنیت و حریم خصوصی.
📌با درک پتانسیل بالای تجزیه و تحلیل عظیم داده، جوامع تحقیقاتی، شرکت‌ها و بخش‌های دولتی به طور مداوم در این حوزه پیشرفت می‌کنند. هدف "دایرةالمعارف فناوری‌های عظیم داده" ارائه یک نمای کلی جامع از این پیشرفت‌ها است و اطمینان حاصل می‌کند که مدخل‌ها به طور مرتب به روز می‌شوند تا آخرین پیشرفت‌ها را منعکس کنند. همچنین با مشارکت بسیاری از رهبران در این زمینه، دایرةالمعارف مطالب خواندنی ارزشمندی را برای طیف گسترده‌ای از مخاطبان، از محققان متخصص و مهندسان نرم افزار گرفته تا دانشجویان و پژوهشگران جوان ارائه می‌دهد.
این کتاب را می‌توانید در لینک زیر دریافت فرمایید.
🔗 https://bdbanalytics.ir/2vk7
#معرفی_کتاب
#عظیم_داده
#زهرا_رفیعی‌پور
@BigData_BusinessAnalytics
http://www.bdbanalytics.ir
📚معرفی کتاب
🔍 استراتژی داده؛ چگونه از دنیای عظیم داده، تحلیل و هوش مصنوعی سودمند شویم
"Data Strategy
How to profit from a world of big data, analytics and artificial intelligence”
🖋 نویسنده: Bernard Marr
📌نسخه دوم این کتاب در سال 2022 و توسط KoganPage انتشار یافته است.
📍این کتاب به‌عنوان یک راهنمای مرحله‌به‌مرحله برای رهبران و مدیران کسب‌وکار عمل می‌کند تا از قدرت داده‌ها، تحلیل‌ها و هوش مصنوعی برای دستیابی به موفقیت در کسب‌وکار استفاده کنند. این کتاب بین دانش نظری و توصیه‌های عملی تعادل برقرار کرده و آن را قابل دسترس و کاربردی می‌سازد.
📍کتاب به ۱۶ فصل تقسیم شده که هر بخش به یکی از ابعاد استراتژی داده و چگونگی استفاده از آن بعد را برای ایجاد ارزش بیشتر در کسب‌وکار می‌پردازد. تم‌های اصلی که بخش‌های مختلف کتاب به آنها می‌پردازند را می‌توان به صورت زیر بررسی کرد:
🔹 داده و تحلیل: اهمیت تحلیل داده در کسب‌وکارها برای تصمیم‌گیری و ایجاد ارزش.
🔹 هوش مصنوعی: چگونگی استفاده از هوش مصنوعی در اتوماسیون فعالیت‌ها، افزایش اثربخشی و ایجاد موقعیت‌های ارزش‌آفرین.
🔹 حاکمیت داده و اخلاق: اهمیت و چگونگی تضمیت استفاده امن و مسئولانه از داده.
🔹 استراتژی داده: راهنمایی‌هایی کلی برای ایجاد یک استراتژی داده به صورتی که در آن مشخص شود سازمان چگونه می‌تواند داده را در راستای سودآوری و ایجاد ارزش برای خود جمع‌آوری، نگهداری، مدیریت و تحلیل کند.
📍کتاب ۶ حوزه مهم برای استفاده از فواید تحلیل داده را به صورت زیر مشخص می‌کند:
🔹 بهبود تصمیم‌گیری.
🔹درک مشتریان و بازارها.
🔹ساخت و طراحی محصولات بهتر.
🔹ارائه خدمات بهتر.
🔹بهبود فرایندهای کسب‌وکار.
📍نگارنده در بخش‌های دیگر کتاب به بررسی دقیق‌تر ابعاد استراتژی داده با توجه به ۶ حوزه‌ی ذکر شده پرداخته و در بخش‌های دیگر، ابعاد متفاوت تحلیل، از جمع‌آوری داده تا انواع مختلف کسب بینش از داده با استفاده از ابزار یادگیری ماشین و زیرساخت‌های مورد نیاز برای تحلیل را بررسی کرده است.
این کتاب را می‌توانید در لینک زیر دریافت فرمایید.
🔗 https://bdbanalytics.ir/c65b
#معرفی_کتاب
#عظیم_داده
#احسان_نگهدار
@BigData_BusinessAnalytics
http://www.bdbanalytics.ir
🔍 استراتژی داده؛ چگونه از دنیای عظیم داده، تحلیل و هوش مصنوعی سودمند شویم
"Data Strategy
How to profit from a world of big data, analytics and artificial intelligence”
🖋 نویسنده: Bernard Marr
📌نسخه دوم این کتاب در سال 2022 و توسط KoganPage انتشار یافته است.
📍این کتاب به‌عنوان یک راهنمای مرحله‌به‌مرحله برای رهبران و مدیران کسب‌وکار عمل می‌کند تا از قدرت داده‌ها، تحلیل‌ها و هوش مصنوعی برای دستیابی به موفقیت در کسب‌وکار استفاده کنند. این کتاب بین دانش نظری و توصیه‌های عملی تعادل برقرار کرده و آن را قابل دسترس و کاربردی می‌سازد.
📍کتاب به ۱۶ فصل تقسیم شده که هر بخش به یکی از ابعاد استراتژی داده و چگونگی استفاده از آن بعد را برای ایجاد ارزش بیشتر در کسب‌وکار می‌پردازد. تم‌های اصلی که بخش‌های مختلف کتاب به آنها می‌پردازند را می‌توان به صورت زیر بررسی کرد:
🔹 داده و تحلیل: اهمیت تحلیل داده در کسب‌وکارها برای تصمیم‌گیری و ایجاد ارزش.
🔹 هوش مصنوعی: چگونگی استفاده از هوش مصنوعی در اتوماسیون فعالیت‌ها، افزایش اثربخشی و ایجاد موقعیت‌های ارزش‌آفرین.
🔹 حاکمیت داده و اخلاق: اهمیت و چگونگی تضمیت استفاده امن و مسئولانه از داده.
🔹 استراتژی داده: راهنمایی‌هایی کلی برای ایجاد یک استراتژی داده به صورتی که در آن مشخص شود سازمان چگونه می‌تواند داده را در راستای سودآوری و ایجاد ارزش برای خود جمع‌آوری، نگهداری، مدیریت و تحلیل کند.
📍کتاب ۶ حوزه مهم برای استفاده از فواید تحلیل داده را به صورت زیر مشخص می‌کند:
🔹 بهبود تصمیم‌گیری.
🔹درک مشتریان و بازارها.
🔹ساخت و طراحی محصولات بهتر.
🔹ارائه خدمات بهتر.
🔹بهبود فرایندهای کسب‌وکار.
📍نگارنده در بخش‌های دیگر کتاب به بررسی دقیق‌تر ابعاد استراتژی داده با توجه به ۶ حوزه‌ی ذکر شده پرداخته و در بخش‌های دیگر، ابعاد متفاوت تحلیل، از جمع‌آوری داده تا انواع مختلف کسب بینش از داده با استفاده از ابزار یادگیری ماشین و زیرساخت‌های مورد نیاز برای تحلیل را بررسی کرده است.
این کتاب را می‌توانید در لینک زیر دریافت فرمایید.
🔗 https://bdbanalytics.ir/c65b
#معرفی_کتاب
#عظیم_داده
#احسان_نگهدار
@BigData_BusinessAnalytics
http://www.bdbanalytics.ir
📚معرفی کتاب
📌سیستم‌های توصیه‌گر عظیم‌داده: الگوریتم‌ها، معماری‌ها، عظیم‌داده، امنیت و اعتماد
"Big Data Recommender Systems Volume 1: Algorithms, Architectures, Big Data, Security and Trust"
📌نویسندگان:
Osman Khalid, Samee U. Khan and Albert Y. Zomaya
📌این کتاب در سال 2019 توسط The Institution of Engineering and Technology انتشار یافته است.
📍 کتاب سیستم‌های توصیه‌گر عظیم‌داده، یک مجموعه جامع دو جلدی است که به چالش‌ها و فرصت‌های بزرگی که با رشد سریع عظیم‌داده و افزایش وابستگی به سیستم‌های توصیه‌گر در بخش‌های مختلف به وجود آمده‌اند، می‌پردازد. با گسترش شبکه‌های اجتماعی، تجارت الکترونیک، موتورهای جستجو و شبکه‌های حسگر، سیستم‌های توصیه‌گر به یکی از تکنولوژی‌های اصلی برای ارائه محتوای شخصی‌سازی شده، فیلتر کردن حجم وسیعی از داده‌ها و بهبود تجربه کاربری تبدیل شده‌اند. این کتاب با تکیه بر پیشرفت‌های اخیر در الگوریتم‌ها، تحلیل داده، محاسبات با کارایی بالا و اینترنت اشیا (IoT)، به بررسی جامع هر دو جنبه بنیان‌های نظری و کاربردهای عملی سیستم‌های توصیه‌گر می‌پردازد.
📍جلد ۱: الگوریتم‌ها، معماری‌ها، امنیت و اعتماد
جلد اول بر چارچوب‌های نظری، الگوریتم‌ها و معماری‌ها تمرکز دارد که برای ساخت سیستم‌های توصیه‌گر کارا و مقیاس‌پذیر در زمینه عظیم‌داده ضروری هستند. این جلد موضوعات پایه‌ای متنوعی از جمله ارزیابی الگوریتم‌های توصیه‌گر با استفاده از ابزارهایی مانند Hadoop و Apache Spark و همچنین روش‌های ترکیبی که چندین تکنیک را برای بهبود کیفیت توصیه‌ها ترکیب می‌کنند را پوشش می‌دهد. تکنیک‌های مبتنی بر یادگیری عمیق به طور ویژه‌ای مورد توجه قرار گرفته‌اند، که نشان از اهمیت روزافزون آنها در توسعه سیستم‌های توصیه‌گر دارد. فصل‌های این جلد همچنین به توصیه‌گری برای عظیم‌داده‌های غیرساخت‌یافته، از جمله روش‌هایی برای مدیریت داده‌های متنی، صوتی و تصویری می‌پردازند.
امنیت و حریم خصوصی در دنیای عظیم‌داده بسیار حیاتی هستند و جلد ۱ چندین فصل را به این موضوعات اختصاص داده است. در این بخش، استراتژی‌های نوین برای تشخیص و کاهش حملات سایبری به سیستم‌های توصیه‌گر، محافظت در برابر آسیب‌پذیری‌ها و حفظ حریم خصوصی داده‌های کاربران بررسی می‌شوند. این جلد طیف وسیعی از تکنیک‌های حفظ حریم خصوصی و روش‌های دفاعی را معرفی می‌کند که آن را به مرجعی ضروری برای محققان و حرفه‌ای‌هایی که به دنبال ساخت سیستم‌های توصیه‌گر ایمن و پایدار هستند تبدیل می‌کند.
📍جلد ۲: پارادایم‌های کاربردی
جلد ۲ به دامنه‌های کاربردی سیستم‌های توصیه‌گر می‌پردازد و دیدگاه عملیاتی درباره چگونگی پیاده‌سازی این سیستم‌ها در صنایع و حوزه‌های مختلف ارائه می‌دهد. فصل‌های این جلد به کاربردهای متنوعی همچون مدل‌های توصیه‌گر سلامت‌محور، توصیه‌گرهای ویدئویی، پیشنهاد مسیرهای سفر و توصیه‌گرهای مبتنی بر مکان‌های مورد علاقه می‌پردازد. علاوه بر این، جلد دوم بر استفاده از شبکه‌های عصبی عمیق و پردازش موازی با تکنولوژی‌هایی همچون Hadoop و Spark تمرکز دارد که مقیاس‌پذیری و کارایی الگوریتم‌های توصیه‌گر را بهبود بخشیده‌اند. این تکنولوژی‌ها به ویژه برای پردازش مجموعه داده‌های بزرگ که در کاربردهای واقعی معمول هستند، بسیار مهم‌اند. همچنین به توصیه‌های حساس به حالت روحی، پردازش جریانی و مدل‌های توصیه‌گر شبکه هوشمند اشاره شده است که نشان می‌دهد سیستم‌های توصیه‌گر چقدر در حل مسائل پیچیده در زمینه‌های مختلف تطبیق‌پذیر و چندمنظوره هستند.
📍مخاطبان و کاربران
این مجموعه دو جلدی با همکاری محققان برجسته و متخصصان حوزه به نگارش درآمده است و آن را به منبعی ارزشمند برای مخاطبان گسترده‌ای تبدیل کرده است. این کتاب برای پژوهشگران، متخصصان و دانشجویان تحصیلات تکمیلی در رشته‌هایی مانند مهندسی، علوم کامپیوتر، داده‌کاوی، مهندسی دانش و سیستم‌های اطلاعاتی طراحی شده است. فصل‌های کتاب شامل تحلیل‌های عمیق، مطالعات موردی و راه‌حل‌های عملی هستند که کتاب را نه تنها برای مقاصد علمی بلکه برای حرفه‌ای‌های صنعت که در مرزهای دانش عظیم‌داده و تکنولوژی‌های توصیه‌گر فعالیت می‌کنند، به‌کاربردی تبدیل می‌کند. با پرداختن به هر دو جنبه نظری و عملی، این کتاب به عنوان یک مرجع ضروری برای درک تکامل این سیستم‌ها در دنیای داده‌محور امروز عمل می‌کند. این کتاب نگاهی جامع و به‌روز از روندهای نوظهور، نیازهای صنعت و جهت‌گیری‌های آینده تحقیقاتی ارائه می‌دهد و برای هر کسی که در توسعه یا مطالعه سیستم‌های توصیه‌گر در دوران عظیم‌داده دخیل است، ضروری خواهد بود.
این کتاب را می‌توانید در لینک زیر دریافت فرمایید.
🔗 https://bdbanalytics.ir/yb7v
#معرفی_کتاب
#عظیم_داده
#سیستم_توصیه‌گر
#زهرا_رفیعی‌پور
@BigData_BusinessAnalytics
http://www.bdbanalytics.ir
📌سیستم‌های توصیه‌گر عظیم‌داده: الگوریتم‌ها، معماری‌ها، عظیم‌داده، امنیت و اعتماد
"Big Data Recommender Systems Volume 1: Algorithms, Architectures, Big Data, Security and Trust"
📌نویسندگان:
Osman Khalid, Samee U. Khan and Albert Y. Zomaya
📌این کتاب در سال 2019 توسط The Institution of Engineering and Technology انتشار یافته است.
📍 کتاب سیستم‌های توصیه‌گر عظیم‌داده، یک مجموعه جامع دو جلدی است که به چالش‌ها و فرصت‌های بزرگی که با رشد سریع عظیم‌داده و افزایش وابستگی به سیستم‌های توصیه‌گر در بخش‌های مختلف به وجود آمده‌اند، می‌پردازد. با گسترش شبکه‌های اجتماعی، تجارت الکترونیک، موتورهای جستجو و شبکه‌های حسگر، سیستم‌های توصیه‌گر به یکی از تکنولوژی‌های اصلی برای ارائه محتوای شخصی‌سازی شده، فیلتر کردن حجم وسیعی از داده‌ها و بهبود تجربه کاربری تبدیل شده‌اند. این کتاب با تکیه بر پیشرفت‌های اخیر در الگوریتم‌ها، تحلیل داده، محاسبات با کارایی بالا و اینترنت اشیا (IoT)، به بررسی جامع هر دو جنبه بنیان‌های نظری و کاربردهای عملی سیستم‌های توصیه‌گر می‌پردازد.
📍جلد ۱: الگوریتم‌ها، معماری‌ها، امنیت و اعتماد
جلد اول بر چارچوب‌های نظری، الگوریتم‌ها و معماری‌ها تمرکز دارد که برای ساخت سیستم‌های توصیه‌گر کارا و مقیاس‌پذیر در زمینه عظیم‌داده ضروری هستند. این جلد موضوعات پایه‌ای متنوعی از جمله ارزیابی الگوریتم‌های توصیه‌گر با استفاده از ابزارهایی مانند Hadoop و Apache Spark و همچنین روش‌های ترکیبی که چندین تکنیک را برای بهبود کیفیت توصیه‌ها ترکیب می‌کنند را پوشش می‌دهد. تکنیک‌های مبتنی بر یادگیری عمیق به طور ویژه‌ای مورد توجه قرار گرفته‌اند، که نشان از اهمیت روزافزون آنها در توسعه سیستم‌های توصیه‌گر دارد. فصل‌های این جلد همچنین به توصیه‌گری برای عظیم‌داده‌های غیرساخت‌یافته، از جمله روش‌هایی برای مدیریت داده‌های متنی، صوتی و تصویری می‌پردازند.
امنیت و حریم خصوصی در دنیای عظیم‌داده بسیار حیاتی هستند و جلد ۱ چندین فصل را به این موضوعات اختصاص داده است. در این بخش، استراتژی‌های نوین برای تشخیص و کاهش حملات سایبری به سیستم‌های توصیه‌گر، محافظت در برابر آسیب‌پذیری‌ها و حفظ حریم خصوصی داده‌های کاربران بررسی می‌شوند. این جلد طیف وسیعی از تکنیک‌های حفظ حریم خصوصی و روش‌های دفاعی را معرفی می‌کند که آن را به مرجعی ضروری برای محققان و حرفه‌ای‌هایی که به دنبال ساخت سیستم‌های توصیه‌گر ایمن و پایدار هستند تبدیل می‌کند.
📍جلد ۲: پارادایم‌های کاربردی
جلد ۲ به دامنه‌های کاربردی سیستم‌های توصیه‌گر می‌پردازد و دیدگاه عملیاتی درباره چگونگی پیاده‌سازی این سیستم‌ها در صنایع و حوزه‌های مختلف ارائه می‌دهد. فصل‌های این جلد به کاربردهای متنوعی همچون مدل‌های توصیه‌گر سلامت‌محور، توصیه‌گرهای ویدئویی، پیشنهاد مسیرهای سفر و توصیه‌گرهای مبتنی بر مکان‌های مورد علاقه می‌پردازد. علاوه بر این، جلد دوم بر استفاده از شبکه‌های عصبی عمیق و پردازش موازی با تکنولوژی‌هایی همچون Hadoop و Spark تمرکز دارد که مقیاس‌پذیری و کارایی الگوریتم‌های توصیه‌گر را بهبود بخشیده‌اند. این تکنولوژی‌ها به ویژه برای پردازش مجموعه داده‌های بزرگ که در کاربردهای واقعی معمول هستند، بسیار مهم‌اند. همچنین به توصیه‌های حساس به حالت روحی، پردازش جریانی و مدل‌های توصیه‌گر شبکه هوشمند اشاره شده است که نشان می‌دهد سیستم‌های توصیه‌گر چقدر در حل مسائل پیچیده در زمینه‌های مختلف تطبیق‌پذیر و چندمنظوره هستند.
📍مخاطبان و کاربران
این مجموعه دو جلدی با همکاری محققان برجسته و متخصصان حوزه به نگارش درآمده است و آن را به منبعی ارزشمند برای مخاطبان گسترده‌ای تبدیل کرده است. این کتاب برای پژوهشگران، متخصصان و دانشجویان تحصیلات تکمیلی در رشته‌هایی مانند مهندسی، علوم کامپیوتر، داده‌کاوی، مهندسی دانش و سیستم‌های اطلاعاتی طراحی شده است. فصل‌های کتاب شامل تحلیل‌های عمیق، مطالعات موردی و راه‌حل‌های عملی هستند که کتاب را نه تنها برای مقاصد علمی بلکه برای حرفه‌ای‌های صنعت که در مرزهای دانش عظیم‌داده و تکنولوژی‌های توصیه‌گر فعالیت می‌کنند، به‌کاربردی تبدیل می‌کند. با پرداختن به هر دو جنبه نظری و عملی، این کتاب به عنوان یک مرجع ضروری برای درک تکامل این سیستم‌ها در دنیای داده‌محور امروز عمل می‌کند. این کتاب نگاهی جامع و به‌روز از روندهای نوظهور، نیازهای صنعت و جهت‌گیری‌های آینده تحقیقاتی ارائه می‌دهد و برای هر کسی که در توسعه یا مطالعه سیستم‌های توصیه‌گر در دوران عظیم‌داده دخیل است، ضروری خواهد بود.
این کتاب را می‌توانید در لینک زیر دریافت فرمایید.
🔗 https://bdbanalytics.ir/yb7v
#معرفی_کتاب
#عظیم_داده
#سیستم_توصیه‌گر
#زهرا_رفیعی‌پور
@BigData_BusinessAnalytics
http://www.bdbanalytics.ir