کتاب Building an Effective Data Science Practice

کتاب Building an Effective Data Science Practice یا ایجاد یک تمرین موثر علم داده: چارچوبی برای بوت استرپ و مدیریت یک تمرین علمی داده موفق، یک منبع جدید تا به امروز برای یادگیری مؤثر علم داده با استفاده از پروژه‌های واقعی می‌باشد. این کتاب در 23 فصل به آموزش مقدماتی تا پیشرفته‌ی علم داده و مبانی آن با تمرینات در دنیای واقعی می‌باشد.

در ادامه مقدمه‌ای از کتاب Building an Effective Data Science Practice را از زبان نویسنده شرح خواهیم داد.

مقدمه‌ای بر کتاب Building an Effective Data Science Practice:

تعداد و تنوع روزافزونی از سازمان‌ها بدون در نظر گرفتن اندازه و بخش خود، مشتاق به پذیرش علم داده هستند. در همکاری‌ها و گفتگوهایمان با رهبران فناوری از شرکت‌های مختلف، متوجه الگوهای تکرارشونده‌ای شدیم:

آن‌ها متقاعد شده‌اند که کسب‌وکارشان از علم داده سود می‌برد، اما مطمئن نیستند که بهترین راه برای شروع چیست و تصویر کاملاً واضحی از آنچه سفر کلی علم داده شامل می‌شود، ندارند.

آن‌ها چند مشکل دارند که معتقدند با استفاده از علم داده می‌توان آن‌ها را به بهترین شکل حل کرد، اما با توجه به نرخ موفقیت پایین که توسط نشریات متعدد گزارش شده است، آن‌ها قبل از اینکه شفافیت بیشتری در مورد آنچه وارد می‌شوند، سرمایه‌گذاری کنند.

آن‌ها شروع به انجام علم داده‌ها کرده‌اند، اما مطمئن نیستند که آیا تلاش‌ها به سمت یک سرمایه‌گذاری تجاری پیش‌بینی‌شده در مسیر است یا خیر. به طور کلی، آن‌ها به دنبال راه‌هایی برای شفاف‌تر و مؤثرتر کردن پیشرفت تیم علم داده خود هستند.

تجربه ما از همکاری نزدیک با رهبران فناوری از پیشینه‌های مختلف برای حل مشکلات با استفاده از علم داده – و پرداختن به جنبه‌های ذکر شده قبلی در حین انجام این کار – باعث ایجاد این کتاب شد.

کتاب Building an Effective Data Science Practice برای چه کسی است؟

این کتاب در درجه اول برای رهبران فناوری در نظر گرفته شده است که در نظر دارند علم داده را در سازمان خود انکوبه کنند یا در مراحل اولیه سفر علم داده خود هستند: کتاب Building an Effective Data Science Practice به عنوان یک راهنما برای شما و تیم سازنده شما عمل می‌کند.

شما به درک شهودی از تکنیک‌ها/فناوری‌های علم داده، از یک طرف، و از سوی دیگر، به مهارت بکارگیری این درک برای دستیابی به اهداف تجاری نیاز دارید. بر اساس تجربه ما، ما معتقدیم که می‌توان این درک شهودی و فرآیند تفکر علم داده و همچنین مهارت اعمال آن در تجارت را بدون وارد کردن کدنویسی یا ریاضیات پیشرفته القا کرد. بر این اساس، هدف کتاب Building an Effective Data Science Practice انتقال همه این مهارت‌ها به روشی شهودی است – تمرکز پوشش فنی ما در این کتاب (از جمله مثال‌های ارائه‌شده) این است که درک مفاهیم اساسی را آسان‌تر کنیم.

ما همچنین پیش‌بینی می‌کنیم که کتاب Building an Effective Data Science Practice برای اعضای یک تیم علم داده مفید باشد: شما آگاهی خود را از اکوسیستم فنی کلی مورد نیاز برای ایجاد یک راه‌حل انتها به انتها با استفاده از علم داده گسترش خواهید داد. همچنین، می‌توانید نمونه‌هایی بیابید که نشان می‌دهند چگونه اهداف کسب‌وکار بر انتخاب تکنیک‌ها و فناوری‌ها تأثیر می‌گذارند – هم‌افزایی بین کسب‌وکار و علم داده برای اعمال مؤثر علم داده در تجارت ضروری است.

در نهایت، کتاب Building an Effective Data Science Practice – به ویژه قسمت 4 – برای مدیران پروژه که پروژه‌های سرتاسری را که از علم داده استفاده می‌کنند، هماهنگ می‌کنند، نیز مفید خواهد بود. به طور مشابه، مبشران فناوری علاقه مند به حوزه های داده و تجزیه و تحلیل، هوش مصنوعی (AI) و غیره، این کتاب را در گسترش افق‌های خود مفید خواهند یافت.

نحوه تنظیم کتاب Building an Effective Data Science Practice:

این کتاب در چهار بخش به شرح زیر تنظیم شده است:

بخش 1: مبانی (فصل 1 تا 3)

این بخش علم داده را معرفی می‌کند و تلاش می‌کند تا آشفتگی اصطلاحات پیرامون علم داده را از بین ببرد. در مورد کاربرد و سودمندی علم داده برای تجارت و چگونگی بستگی فرهنگ علم داده به تجارت بحث می‌کند.

بخش 2: طبقات مسائل (فصل 4 تا 11)

پس از صحبت در مورد مزایای کلی علم داده برای کسب و کار در قسمت 1، این بخش قصد دارد تصویر ملموس‌تری از کلاس های مختلف مشکلاتی که با استفاده از علم داده قابل حل هستند ارائه دهد. این دارای یک فصل است که به یک طبقه از مشکل اختصاص داده شده است – هر فصل یک انگیزه تجاری را ایجاد می‌کند و سپس آن انگیزه را به یک مشکل علم داده عینی تبدیل می‌کند و نشان می‌دهد که چگونه می‌توان آن را حل کرد. این بخش اساساً برای نشان دادن و تلقین فرآیند فکری است که برای ترسیم یک مشکل تجاری به یک مشکل علم داده و مراحل مربوط به حل آن انجام می‌شود.

بخش 3: تکنیک‌ها و فناوری‌ها (فصل 12 تا 20)

بخش قبل کتاب Building an Effective Data Science Practice نشان می‌دهد که چگونه حل مسائل علم داده به طور مؤثر به درک شهودی خوب از تکنیک‌های مختلف مربوط به حوزه علم داده بستگی دارد. این بخش تلاش می‌کند تا این درک شهودی را از اصول اساسی تکنیک‌های مختلف در علم داده به دیگران منتقل کند. همچنین در مورد فن‌آوری‌ها (کتابخانه‌ها، ابزارها و غیره) صحبت می‌کند که به شما کمک می‌کند تا این تکنیک‌ها را به کار ببرید. این درک مفهومی همچنین برای شما مهم است که بفهمید کدام نوع تکنیک‌ها/فناوری‌ها می‌توانند برای فرهنگ علم داده در سازمان شما کاربرد بیشتری داشته باشند.

بخش 4: تیم‌سازی و اجرای پروژه‌ها (فصل 21 تا 23)

پس از پوشش جنبه‌های تجاری و فنی علم داده، این بخش پایانی جنبه‌های عملی را مورد بحث قرار می‌دهد که برای انجام مؤثر علم داده مهم است. در مورد مهارت‌های مختلف ضروری برای نقش‌های مختلف در تیم‌های علم داده و اینکه چگونه چنین تیم‌هایی معمولاً برای اجرای مؤثر ساختار می‌شوند صحبت می‌کند.

همچنین در مورد انواع مختلف پروژه‌های علم داده که تیم علم داده شما روی آنها کار می‌کند و جنبه های مختلف تضمین کیفیت داده که برای موفقیت در علم داده ضروری است صحبت می‌کند. این با برخی از جنبه‌های قانونی و نظارتی که برای شما مهم است که هنگام کار بر روی پروژه‌های علم داده از آن‌ها آگاه باشید، از جمله تلاش اخیر به سمت هوش مصنوعی قابل توضیح به پایان می‌رسد.

توجه داشته باشید که هر بخش دارای یک مقدمه است که سازماندهی فصول در آن قسمت را بیشتر توضیح می‌دهد.

بیشتر بخوانید: کتاب How to Lead in Data Science

سرفصل‌های کتاب Building an Effective Data Science Practice:

• Part I: Fundamentals
  • Chapter 1: Introduction: The Data Science Process
  • Chapter 2: Data Science and Your Business
  • Chapter 3: Monks vs. Cowboys: Data Science Cultures
• Part II: Classes of Problems
  • Chapter 4: Classification
  • Chapter 5: Regression
  • Chapter 6: Natural Language Processing
  • Chapter 7: Clustering
  • Chapter 8: Anomaly Detection
  • Chapter 9: Recommendations
  • Chapter 10: Computer Vision
  • Chapter 11: Sequential Decision-Making
• Part III: Techniques and Technologies
  • Chapter 12: Techniques and Technologies: An Overview
  • Chapter 13: Data Capture
  • Chapter 14: Data Preparation
  • Chapter 15: Data Visualization
  • Chapter 16: Machine Learning
  • Chapter 17: Inference
  • Chapter 18: Other Tools and Services
  • Chapter 19: Reference Architecture
  • Chapter 20: Monks vs. Cowboys: Praxis
• Part IV: Building Teams and Executing Projects
  • Chapter 21: The Skills Framework
  • Chapter 22: Building and Structuring the Team
  • Chapter 23: Data Science Projects

فایل کتاب Building an Effective Data Science Practice را می‌توانید پس از پرداخت، دریافت کنید.