📌 معرفی مقالات داغ حوزه عظیم‌داده

“The role of big data analytics in industrial Internet of Things”


🖋نویسندگان:
Muhammad Habib ur Rehman, Ibrar Yaqoob, Khaled Salah, Muhammad Imran, Prem Prakash Jayaraman, Charith Perera


🔸 اینترنت اشیاء صنعتی، فناوری اطلاعات را به فناوری عملیاتی تبدیل نموده و امکانات گسترده‌ای را برای ابزار دقیق فراهم آورده و منجر به بهره‌وری وسیع برای اکثر عملیات صنعتی می‌گردد. تولید عظیم‌داده در اینترنت اشیاء صنعتی به دلیل استقرار گسترده سنسورها و لوازم اینترنت اشیاء مشهود است. باید توجه داشت که پردازش عظیم‌داده به دلیل محدودیت منابع محاسباتی، شبکه‌ای و ذخیره‌سازی چالش‌برانگیز است.
در این مقاله، فناوری‌های جدید، الگوریتم‌ها و تکنیک‌های تحلیلگری عظیم‌داده را که می‌تواند منجر به توسعه سیستم‌های اینترنت اشیاء صنعتی هوشمند شود، بررسی شده و با طبقه‌بندی و دسته‌بندی ادبیات بر اساس پارامترهای مهم، یک "TAXONOMY" ایجاد شده است .

🔹خلاصه و دريافت مقاله:

🔗 https://bit.ly/2lM5jHV


#معرفی_مقاله
#تحلیلگری
#عظیم_داده
#اینترنت_اشیا_صنعتی
#آرش_قاضی_سعیدی


www.bdbanalytics.ir
@BigData_BusinessAnalytics

📌 معرفی مقالات داغ حوزه عظیم‌داده

“Big Data Analytics and Firm Performance: A Systematic Review”


🖋نویسندگان:
Parisa Maroufkhani, Ralf Wagner, Wan KhairuzzamanWan Ismail, Mas Bambang Baroto and Mohammad Nourani

🔸 این پژوهش به بررسی منسجم از ارتباط تحلیلگری داده‌های عظیم و کارایی سازمان‌ها پرداخته است و عوامل تأثیرگذار در پذیرش تحلیلگری داده‌های عظیم را در بخش‌های مختلف سازمان شناسایی و در انتها راهنمایی‌هایی در خصوص پژوهش‌های آتی متأثر از نتایج این تحقیق را ارائه نموده است.

🔹خلاصه و دريافت مقاله:

🔗 https://bit.ly/2JPgPvp


#معرفی_مقاله
#تحلیلگری
#عظیم_داده
#کارایی
#مرور_سیستماتیک
#آرش_قاضی_سعیدی


www.bdbanalytics.ir
@BigData_BusinessAnalytics

📌 معرفی مقالات داغ حوزه عظیم‌داده

“Big data quality prediction in the process industry: A distributed parallel modeling framework”


🖋نویسندگان:
Le Yao, Zhiqiang Ge


🔸 این مقاله یک روش مدل‌سازی فرآیند توزیع شده موازی بر اساس چارچوب MapReduce را برای پیش بینی کیفیت عظیم‌داده ارائه نموده است. در مرحله اول به منظور مدل‌سازی داده‌های توزیع شده موازی در چارچوب MapReduce یک معماری تدوین می‌کند. در مرحله دوم، بر اساس رویکرد مدل‌سازی داده‌های توزیع شده موازی؛ یک طرح پیش‌بینی کیفیت عظیم‌داده را توسعه می‌دهد.

🔹خلاصه و دريافت مقاله:

🔗 https://bit.ly/36NIcze


#معرفی_مقاله
#تحلیلگری
#عظیم_داده
#MapReduce
#آرش_قاضی_سعیدی


www.bdbanalytics.ir
@BigData_BusinessAnalytics

‍ ✍️مصاحبه :
🖌 اهمیت تحلیلگری عظیم داده
دکتر مارک ون ریجمنام بنیانگذار دیتافلوک و سخنران بین المللی و استراتژیست و مشاور در حوزه عظیم داده و بلاکچین و نویسنده چندین کتاب پرفروش است.

✅ مصاحبه ترجمه شده با ایشان در خصوص اهمیت تحلیلگری عظیم داده را در لینک زیر بخوانید:

🔗 https://bit.ly/2Zxk7vi

#مصاحبه
#عظیم_داده
#تحلیلگری
#ترجمه
#Rijmenam
#آرش_قاضی_سعیدی

www.bdbanalytics.ir
@BigData_BusinessAnalytics

📌 معرفی مقالات داغ حوزه عظیم‌داده

“An analysis on new hybrid parameter selection model performance over big data set”


🖋نویسندگان:
Masurah Mohammad-Ali Selamat-Ondrej Krejcar-Hamido Fujita-Tao Wu

🔸انتخاب ویژگی یکی از کارهای دشوار در فرایند تحلیل داده است. انتخاب نادرست ویژگی ممکن است باعث ایجاد ابهام با رخدادی جهت تصمیم‌گیری اشتباه گردد. در فرآیند تحلیل تصمیم، چنانچه تصمیم گیرنده بتواند بهترین مدلی را بیابد که منجر به شناسایی و انتخاب و استفاده از بهترین ویژگی‌های بهینه‌سازی شده کمک می‌کند شود، به یک مزیت دست یافته‌ایم.
این مقاله یک مدل پارامترسازی جایگزین را ارائه می‌دهد که قادر به تولید مجموعه ویژگی بهینه بدون نیاز به صرف هزینه زیاد بوده که بر اساس دو مدل یکپارچه ساخته شده و می‌تواند به عنوان یک مدل جایگزین در یک فرآیند تحلیلگری عظیم‌داده مورد استفاده قرار گیرد.

🔹خلاصه و دریافت مقاله:

🔗 https://bit.ly/33OU1GR


#معرفی_مقاله
#عظیم_داده
#تحلیلگری
#آرش_قاضی_سعیدی



www.bdbanalytics.ir
@BigData_BusinessAnalytics

‍ ✍️مصاحبه :
🖌مصاحبه نشریه پاور: عظیم داده چیست؟
عظیم داده در صنعت نیرو توسط متخصصان مورد استفاده قرار می‌گیرد اما این اصطلاح واقعا چه معنایی دارد؟

✅ مصاحبه ترجمه شده ارون لارسون سردبیر نشریه پاور با آکشی پاتوال مدیر بازرگانی استراتژیک شرکت انرژی زیمنس را در لینک زیر بخوانید:


🔗 https://bit.ly/3lSaGQb
#مصاحبه
#عظیم_داده
#تحلیلگری
#ترجمه
#آرش_قاضی_سعیدی
www.bdbanalytics.ir
@BigData_BusinessAnalytics

‍ ✍️مصاحبه :
🖌 نقش عظیم داده در پزشکی
✅ مصاحبه ترجمه شده با دکتر اریک شات بنیان گذار شرکت Icahn فعال در سیستم سلامت را در لینک زیر بخوانید:
🔗 https://bit.ly/35s2sb7
#مصاحبه
#عظیم_داده
#تحلیلگری
#ترجمه
#آرش_قاضی_سعیدی
www.bdbanalytics.ir
@BigData_BusinessAnalytics

📌📌 شناخت عظیم داده و علم داده و تحلیلگری داده
🔹 در این ویدئو با تعاریف و کاربردها و مهارت های مورد نیاز در عظیم داده و علم داده و تحلیلگری داده آشنا می‌شویم.

🔸 همچنین شما می‌توانید این ویدئو را از لینک زیر تماشا نمایید.

🔗 https://b2n.ir/q26942

#ويدئو
#عظیم_داده
#علم_داده
#تحلیلگری_داده
#آرش_قاضی_سعیدی

@BigData_BusinessAnalytics
www.bdbanalytics.ir

‍ ✍️مصاحبه :

🖌 ضرورت تدوین سند ملی «تحلیل‌گری داده» در کشور

✅ یکی از چالش‌های مهم در عرصه کسب و کارها، ظهور نوآوری و فناوری‌های نوین است که به سرعت چشم‌انداز هر کسب و کار را تحت تأثیر قرار داده و آینده آن را با چالش‌های غیرقابل پیش بینی روبرو می‌سازد. در اين میان، «تصمیم‌گیری» و «تصمیم سازی» مولفه‌هایی مهم تلقی می‌شوند که باید متناسب با این تغییر و تحولات، با سرعت و در عین حال با دقت انجام شوند، امری که به نظر می‌رسد دیگر با مکانیسم‌های قدیمی «تصمیم‌گیری» در پیچ و خم بروکراسی‌های پیچیده سازمان‌های امروزی امکان پذیر نیست.

✅ در این مصاحبه با آقای دکتر سعید روحانی، دانشیار دانشکده مدیریت دانشگاه تهران، به گفت‌وگو در خصوص حوزه نوین تحلیل‌گری کسب و کار و تحلیل‌گری مبتنی بر داده و نقش آن در تصمیم‌گیری پرداخته شده است.

برای خواندن متن كامل این مصاحبه به لینک زیر مراجعه فرمایید:

🔗 https://news.ut.ac.ir/fa/news/21593

#مصاحبه
#دکتر_سعید_روحانی
#تحلیل‌گری_داده
#تحلیل‌گری_کسب‌وکار

www.bdbanalytics.ir
@BigData_BusinessAnalytics

📌📌 دیتا پراک
🔹 دیتا پراک یک سرویس مدیریت شده است که امکان بهره‌مندی از ابزارهای داده منبع باز مانند فلینک،آپاچی اسپارک برای پردازش دسته‌ای، اس کیو ال و یادگیری ماشین را فراهم می‌آورد.
در این ویدئو با دیتا پراک و چگونگی استفاده از آن جهت سهولت پردازش داده‌ها و تحلیل‌گری آشنا می‌شویم.

🔸 همچنین شما می‌توانید این ویدئو را از لینک زیر تماشا نمایید.

🔗 https://b2n.ir/z01376

#ويدئو
#عظیم_داده
#دیتاپراک
#پردازش_داده
#تحلیلگری_داده
#آرش_قاضی_سعیدی

@BigData_BusinessAnalytics
www.bdbanalytics.ir

📌📌 اهمیت عظیم داده و تحلیل‌گری در بازاریابی
🔹 عظیم داده نقش کلیدی در بازاریابی دیجیتال ایفا می کند زیرا به بازاریابان و کسب و کار کمک می‌کند تا بینشی صحیح به کسب و کار خود داشته باشند.

در این ویدئو با انواع داده‌ها در دیجیتال مارکتینگ آشنا می‌شویم و نقش عظیم داده و تحلیل‌گری در این حوزه بررسی شده است.

🔸 همچنین شما می‌توانید این ویدئو را از لینک زیر تماشا نمایید.

🔗 https://b2n.ir/w37832

#ويدئو
#عظیم_داده
#مارکتینگ
#بازاریابی
#تحلیلگری_داده
#آرش_قاضی_سعیدی

@BigData_BusinessAnalytics
www.bdbanalytics.ir

📌📌 تحلیل‌گری عظیم داده
🔹 در این ویدئو به زبان ساده با مفهوم تحلیل‌گری عظیم داده آشنا می‌شویم.

🔸 همچنین شما می‌توانید این ویدئو را از لینک زیر تماشا نمایید.

🔗 https://b2n.ir/d47448

#ويدئو
#عظیم_داده
#تحلیلگری_داده
#آرش_قاضی_سعیدی

@BigData_BusinessAnalytics
www.bdbanalytics.ir

📌📌 تحلیل‌گر عظیم‌داده

با توجه به دغدغه برخی از دانشجویان و دانش‌آموختگان دانشگاهی جهت ورود به بازار کار حوزه عظیم داده و رسیدن به تخصص بیشتر جهت تبدیل شدن به یک تحلیل گر عظیم‌داده توصیه می‌شود تا برای قرار گرفتن در مسیر شغلی مذکور فرآیند زیر را دنبال نمایند.

1. شرکت در دوره‌های آموزشی مرتبط با حوزه تحلیل‌گری عظیم‌داده با هدف دستیابی به درک کامل از موضوعات
2. مطالعه کتاب‌های مرجع مانند کتاب‌های تخصصی انتشارات‌ O'reilly و Packt
3. نصب و راه‌اندازی پلتفرم‌های مطرح عظیم‌داده مانند آپاچی هدوپ
4. آشنایی با پایگاه داده‌های Nosql
5. انتخاب زبان برنامه نویسی مناسب مانند پایتون، جاوا، اسکالا که از پرکاربردترین زبان‌های برنامه‌نویسی در حوزه عظیم‌داده هستند.

🔹 در این ویدئو به زبان ساده با شغل تحلیل‌گر عظیم‌داده آشنا می‌شویم.


#ويدئو
#عظیم_داده
#تحلیلگری_داده
#آرش_قاضی_سعیدی

@BigData_BusinessAnalytics
www.bdbanalytics.ir

یک جزء کمکی اضافی به نام سرور ESP که رابط هایی را برای دسترسی مشتری خارجی به خوشه فراهم می‌کند. و اجزای مشترک اضافی که با یک خوشه Thor در یک محیط HPCC مشترک هستند. اگرچه یک خوشه پردازشی Thor را می توان بدون خوشه Roxie پیاده سازی و استفاده کرد، یک محیط HPCC که شامل یک خوشه Roxie است نیز باید شامل یک خوشه Thor باشد. خوشه Thor برای ساخت فایل های فهرست توزیع شده مورد استفاده توسط خوشه Roxie و توسعه پرس و جوهای آنلاین که با فایل های فهرست در خوشه Roxie مستقر خواهند شد استفاده می شود.

مشخصات پلتفرم:
🔹موتور ETL (Thor)
با استفاده از یک زبان برنامه نویسی قدرتمند (ECL) که به طور خاص برای کار با داده ها توسعه یافته است، داده ها ورودی را تبدیل و بارگذاری می کند.
🔹موتور جستجو (ROXIE)
یک موتور جستجوی مبتنی بر شاخص برای انجام پرس و جوهای بلادرنگ. SOAP، XML، REST و SQL همگی اینترفیس های پشتیبانی شده هستند.
🔹 ابزارهای مدیریت داده
پروفایل سازی داده ها، پاکسازی داده‌ها، به روز رسانی‌ها، زمان بندی کار و اتوماسیون برخی از ویژگی‌های کلیدی هستند.
🔹 ابزارهای مدل سازی پیش بینی کننده
مدل سازی پیش بینی برای انجام رگرسیون خطی، رگرسیون لجستیک، درختان تصمیم، و جنگل های تصادفی.
#معرفی_ابزار
#ابزار_HPCC
#تحلیلگری_عظیم_داده
#فاطمه_مصلحی

www.bdbanalytics.ir
@BigData_BusinessAnalytics

📌📌 عظیم داده‌، داده‌های بهتری هستند!

🔹 "داده بیشتر فقط دید وسیع‌تر نمی‌دهد بلکه اجازه می‌دهد بهتر ببینیم، اجازه می دهد متفاوت ببینیم."

این جمله بخشی از سخنرانی «کِنِث کوک اِر» نویسنده و سخنران فعال حوزه عظیم داده است. در این سخنرانی کاربردها و قابلیت‌های عظیم داده‌ و یادگیری ماشین عنوان می‌شود.

ارائه مثال‌های کاربردی در حوزه‌های عظیم داده‌‌ و یادگیری ماشین در صنایع خودروسازی، بازی و مخابرات، معرفی چالش‌‌های حقوقی و اخلاقی عظیم داده‌ سبب کاربردی‌تر شدن این سخنرانی شده است.

#ويدئو
#عظیم_داده
#TED
#KennethCukier
#تحلیلگری_داده
#آرش_قاضی_سعیدی

@BigData_BusinessAnalytics
www.bdbanalytics.ir

📌📌 اهمیت تحلیل‌گری عظیم داده‌

🔹 در این ویدئو کوتاه، پنج ویژگی اهم تحلیل‌گری عظیم داده مرور می‌شود.

#ويدئوکوتاه
#عظیم_داده
#تحلیلگری
#آرش_قاضی_سعیدی

@BigData_BusinessAnalytics
www.bdbanalytics.ir

📌📌تحلیلگری داده در مقابل تحلیلگری کسب و کار
تحلیلگری داده (Data Analytics) و تحلیلگری کسب و کار (Business Analytics) دو فرآیند متفاوت هستند، اما هر دو اهمیت زیادی در جهان کسب و کار دارند. در زیر به تفاوت‌های اصلی بین تحلیل داده و تحلیل کسب و کار اشاره می‌شود:

۱- محتوا و موضوع
تحلیل داده: این فرآیند به تجزیه و تحلیل داده‌های عددی، متنی و آماری و تصاویر اختصاص دارد. معمولاً داده‌ها از منابع مختلفی مانند پایگاه‌های داده، سنسورها، فرم‌های آنلاین، شبکه های اجتماعی و غیره به دست می‌آیند.

تحلیل کسب و کار: این فرآیند به تجزیه و تحلیل عناصری مانند استراتژی‌ها، عملکرد مالی، مدل کسب و کار، مشتریان، رقبا، و محصولات و خدمات اختصاص دارد. این تحلیل برای ارتقاء تصمیم‌گیری‌های استراتژیک و مدیریت کسب و کار استفاده می‌شود.


۲- دامنه و هدف
تحلیل داده: هدف اصلی تحلیل داده به دست آوردن دانش، قواعد الگوها، روابط و اطلاعات مخفی در داده‌ها است. این فرآیند معمولاً برای پیش‌بینی، دسته بندی، خوشه بندی، کاوش داده‌ها، و به دست آوردن اطلاعات مفهومی استفاده می‌شود.

تحلیل کسب و کار: تحلیل کسب و کار به ارزیابی عملکرد کسب و کار، بهبود استراتژی‌ها و راهکارها، و افزایش بهره‌وری و سودآوری کسب و کار اختصاص دارد. هدف آن ارتقاء عملکرد و کارایی کسب و کار است.


۳- روش‌ها و ابزارها
تحلیل داده: ابزارهای تحلیل داده شامل زبان‌های برنامه‌نویسی مانند Python و R، نرم‌افزارهای مخصوص تحلیل داده مانند SAS، RapidMiner و ابزارهای مدرن یادگیری ماشین و داشبوردها مانند Power BI و Tableau می‌شوند.

تحلیل کسب و کار: ابزارهای تحلیل کسب و کار شامل ابزارهای حل مساله، شبیه سازی، مدل سازی عملیانی و پویا و مدل‌های مالی، نرم‌افزارهای جامع مانند ERP ها ، و ابزارهای گزارش‌دهی می‌شوند.


۴- مراحل و فرآیند
تحلیل داده: مراحل تحلیل داده شامل تجزیه و تحلیل داده‌ها، تجزیه و تحلیل آماری، تصمیم‌گیری بر اساس داده‌ها و پیش‌بینی می‌شود (مانند متدولوژی CRISP-DM).
تحلیل کسب و کار: مراحل تحلیل کسب و کار شامل تعیین اهداف کسب و کار، تجزیه و تحلیل محیط کسب و کار، تعیین استراتژی‌ها، ارزیابی عملکرد و بهینه‌سازی می‌شود.


۵- مخاطبان اصلی
تحلیل داده: محققان داده، دانشمندان داده، و تحلیل‌گران داده و تحلیل گران کسب و کار، و مشتریان
تحلیل کسب و کار: مدیران عالی، تصمیم‌گیران استراتژیک، تیم‌های مدیریت کسب و کار، و مشاوران مدیریت


در مجموع، تحلیلگری داده مرتبط با تجزیه و تحلیل داده ها (ساختیافته یا ساخت نیافته) است، در حالی که تحلیل کسب و کار به تجزیه و تحلیل کلانتر و استراتژیک موارد متنوعی مانند استراتژی‌های بازاریابی، عملکرد مالی، و منابع انسانی اختصاص دارد. هر دو ابزار مهمی برای بهبود کسب و کارها هستند و ممکن است در کنار یکدیگر مورد استفاده قرار گیرند تا تصمیم‌گیری‌های بهتری در سازمان ها و کسب و کار انجام شود.

سعید روحانی
دانشیار دانشگاه تهران
۱۱ مهرماه ۱۴۰۲


#دکتر_سعید_روحانی
#تحلیلگری_داده
#تحلیلگری_کسب_و_کار
@BigData_BusinessAnalytics
www.bdbanalytics.ir

#ويدئو
#عظیم_داده
#تحلیلگری_داده
#آرش_قاضی_سعیدی

@BigData_BusinessAnalytics
www.bdbanalytics.ir

📌📌 تحلیلگری عظیم داده چیست؟


در این ویدئو با نحوه استفاده از تحلیلگری عظیم داده و انواع آن و همچنین چگونگی یاری رسانی تحلیلگری عظیم داده به سازمان‌ها آشنا می‌شویم.
همچنین می‌توانید این ویدئو را در لینک زیر مشاهده فرمایید.


🔗 https://bdbanalytics.ir/wom5

#ويدئوکوتاه
#عظیم_داده
#تحلیلگری
#آرش_قاضی_سعیدی

@BigData_BusinessAnalytics
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