علم داده – مدرسه پردازش و تحلیل داده دقیقه

قصه‌گویی با داده‌ها وظیفه اصلی تحلیلگر داده در کسب‌وکار

علی ارومیه ای — Mon, 24 Jun 2024 15:16:01 +0000

در دنیای امروز، شرکت‌ها حجم عظیمی از داده تولید می‌کنند، اما بر اساس گزارش موسسه McKinsey، تا ۴۰ درصد از گزارش‌های روزانه آن‌ها بی‌ارزش بوده و منابع گران‌بهایی را تلف می‌کند.

گوین بریتون، معاون دانشکده جهانی علوم، فناوری، مهندسی و ریاضی (STEM) و برنامه‌های کسب‌وکار در دانشگاه Southern New Hampshire (SNHU) می‌گوید: «سازمان‌های زیادی با حجم انبوهی از داده مواجه هستند و برای مدیریت این داده‌ها با مشکل روبرو هستند.»

بریتون معتقد است، کلید اصلی استفاده مؤثر از این داده‌ها، استفاده از آن‌ها برای تعریف داستان درست است. کسب‌وکارها به طور فزاینده‌ای به دنبال مهارت‌های دانشمندان داده و تحلیلگران کسب‌وکار هستند تا بتوانند از حجم عظیم داده‌ها، بینش‌های عملیاتی استخراج کنند.

در ادامه این مطلب، با صحبت با دو متخصص موضوعی تحلیل کسب‌وکار و داده، بیشتر در مورد نقش شغلی تحلیلگر کسب‌وکار آشنا می‌شویم و سه مهارت کلیدی را برای شروع یا پیشرفت در حرفه تحلیلگری کسب‌وکار خود کشف می‌کنیم.

تحلیلگر کسب‌وکار در مقابل تحلیلگر داده: چه تفاوتی وجود دارد؟

عناوین شغلی تحلیلگر کسب‌وکار و تحلیلگر داده ممکن است قابل تعویض به نظر برسند، زیرا هر دو شغل از داده برای تصمیم‌گیری آگاهانه کسب‌وکار استفاده می‌کنند. با این حال، تحلیلگران داده عمدتاً بر تجزیه و تحلیل مجموعه داده‌ها برای شناسایی روندها و کشف بینش‌ها تمرکز می‌کنند. تحلیلگران داده همچنین اغلب در برنامه‌نویسی و پردازش داده نسبت به تحلیلگران کسب‌وکار مهارت بیشتری دارند.

نقش یک تحلیلگر کسب‌وکار استفاده از داده برای حل مشکلات موجود در کسب‌وکار است. تحلیلگران کسب‌وکار معمولاً زیر نظر تیم هوش تجاری کار می‌کنند که وظیفه ارائه نمای کلی از عملکردهای گذشته و فعلی کسب‌وکار را بر عهده دارد. به فکر ساده‌سازی فرآیندها یا بهینه‌سازی عملکرد یک بخش از کسب‌وکار باشید.

بریتون می‌گوید: «تحلیلگران کسب‌وکار روایت آنچه امروز در کسب‌وکار اتفاق می‌افتد را تعریف می‌کنند. آن‌ها می‌گویند، بسیار خوب، این اتفاقی است که در حال رخ دادن است، به این شکل است و به همین دلیل ما این کار را انجام می‌دهیم.»

و از نظر نوع تحلیل، تحلیلگران کسب‌وکار به احتمال زیاد از تحلیل توصیفی استفاده می‌کنند. رافائل لوپز، شریک معمار راه حل در آمازون وب سرویس و مدرس دوره «شروع به کار با تجزیه و تحلیل داده در AWS» می‌گوید: «تحلیل توصیفی نوعی تحلیل داده است که عمدتاً برای ارائه اطلاعات در مورد آنچه اتفاق افتاده به شما استفاده می‌شود. هدف این است که به شما امکان دهد از داده‌های جمع‌آوری‌شده توسط یک سیستم برای شناسایی مشکل، موارد قابل بهبود یا معیاری که به درستی گزارش نمی‌شود، استفاده کنید.»

مسیر شغلی تحلیلگر کسب‌وکار

مسیر شغلی یک تحلیلگر کسب‌وکار بسیار انعطاف‌پذیر است. مانند تحلیلگران داده که می‌توانند به عنوان دانشمند داده فعالیت کنند یا به سمت مدیریت یا مشاوره بروند، تحلیلگران کسب‌وکار نیز می‌توانند به مشاغل دیگری مانند مدیریت پروژه، عملیات تجاری یا فناوری اطلاعات منتقل شوند. تحلیلگران کسب‌وکار همچنین می‌توانند دانش حوزه‌ای خود را عمیق‌تر کرده و به مدیران داده‌محور تبدیل شوند.

مسئولیت‌های شغلی یک تحلیلگر کسب‌وکار چیست؟

شرح وظایف یک تحلیلگر کسب‌وکار همیشه به طور واضح تعریف نشده است، زیرا هر سازمانی نیازهای تجاری متفاوتی دارد. اما در بیشتر موارد، وظایف اصلی یک تحلیلگر کسب‌وکار را می‌توان به بخش‌های زیر تقسیم کرد:

۱. ارزیابی:

هسته اصلی کار یک تحلیلگر کسب‌وکار، انجام ابتکارهایی برای بهبود کسب‌وکار است. یک تحلیلگر کسب‌وکار باید روش‌هایی را برای بهبود کارایی و سودآوری سازمان ارزیابی کند.

۲. تحلیل کسب‌وکار:

تحلیلگران کسب‌وکار باید با استفاده از زبان‌های نرم‌افزاری آماری مانند پایتون یا R احساس راحتی در تجزیه و تحلیل و بررسی تمام داده‌ها و اطلاعات جمع‌آوری‌شده داشته باشند. تحلیلگران کسب‌وکار همچنین به طور گسترده از اکسل استفاده خواهند کرد.

۳. گزارش‌دهی:

پس از اینکه یک تحلیلگر کسب‌وکار با دقت یک مشکل موجود در کسب‌وکار را شناسایی و تجزیه و تحلیل کرد، مرحله بعدی مستندسازی یافته‌ها و ارائه گزارش‌ها است. گزارش‌ها باید واضح، مختصر و قابل فهم برای ذینفعان کلیدی باشند، که ممکن است شامل مدیران، تیم‌های فنی و ذینفعان خارجی باشند.

تحلیلگران کسب‌وکار از طیف گسترده‌ای از ابزارها برای ایجاد گزارش، از جمله اسناد متنی، ارائه‌ها و داشبوردهای داده استفاده می‌کنند. انتخاب ابزار مناسب به مخاطب، پیچیدگی تجزیه و تحلیل و ترجیحات شخصی تحلیلگر بستگی دارد.

نکاتی برای گزارش‌دهی موثر

مخاطب خود را بشناسید: هنگام نوشتن گزارش، به این فکر کنید که خواننده شما چه کسی است و چه سطحی از دانش فنی را دارد. از اصطلاحات تخصصی که مخاطب شما ممکن است متوجه آن نشود، خودداری کنید.

خلاصه‌ای ارائه دهید: در ابتدای گزارش خود، خلاصه‌ای از یافته‌ها و توصیه‌های کلیدی خود ارائه دهید. این به خوانندگان شما کمک می‌کند تا سریعاً نکته اصلی را متوجه شوند.

از نمودارها و جداول استفاده کنید: نمودارها و جداول می‌توانند به تجسم داده‌ها و آسان‌تر کردن درک آنها کمک کنند.

دقیق و مختصر باشید: گزارش خود را مختصر و عاری از اطلاعات غیرضروری نگه دارید.

به زبان ساده بنویسید: از زبانی ساده و واضح استفاده کنید که به راحتی قابل درک باشد.

پیشنهادات ارائه دهید: گزارش خود را با ارائه پیشنهادات مشخص برای نحوه حل مشکل به پایان برسانید.

۴. مدیریت پروژه:

پس از شناسایی و ارائه راه‌حل، تحلیلگران کسب‌وکار باید با ذینفعان کلیدی، مدیران پروژه و اعضای تیم برای اجرای و نظارت بر پروژه همکاری کنند. این ممکن است شامل ایجاد برنامه زمان‌بندی، مدیریت منابع و ردیابی پیشرفت باشد.

۵. حل مسئله:

حل مسئله شامل درک یک مشکل تجاری و یافتن تکنیک‌های موثر برای حل آن است. تحلیلگران کسب‌وکار از طیف گسترده‌ای از روش‌های حل مسئله، از جمله تفکر خلاقانه، تجزیه و تحلیل داده‌ها و مدل‌سازی استفاده می‌کنند.

مهارت‌های مورد نیاز برای تبدیل شدن به یک تحلیلگر کسب‌وکار

مهارت‌های تحلیلی: تحلیلگران کسب‌وکار باید بتوانند داده‌ها را جمع‌آوری، تجزیه و تحلیل و تفسیر کنند. آنها همچنین باید بتوانند از یافته‌های خود برای حل مشکلات و ارائه توصیه‌هایی استفاده کنند که به نفع کسب‌وکار باشد.

مهارت‌های حل مسئله: تحلیلگران کسب‌وکار باید بتوانند مشکلات را شناسایی، راه حل‌های بالقوه را ایجاد کنند و بهترین راه حل را انتخاب کنند.

مهارت‌های ارتباطی: تحلیلگران کسب‌وکار باید بتوانند به طور موثر با ذینفعان مختلف، از جمله مدیران، تیم‌های فنی و مشتریان ارتباط برقرار کنند. آنها باید بتوانند یافته‌های خود را به روشی واضح و مختصر ارائه دهند.

مهارت‌های فنی: تحلیلگران کسب‌وکار باید با طیف گسترده‌ای از ابزارها و فناوری‌ها، از جمله نرم‌افزار پایگاه داده، ابزارهای تجزیه و تحلیل داده و نرم‌افزار مدل‌سازی آشنا باشند.

مهارت‌های بین فردی: تحلیلگران کسب‌وکار باید بتوانند با افراد در سطوح مختلف سازمانی کار کنند. آنها باید صبور، دیپلماتیک و قادر به ایجاد روابط باشند.

نحوه تبدیل شدن به یک تحلیلگر کسب‌وکار

مدرک تحصیلی: اکثر مشاغل تحلیلگر کسب‌وکار به مدرک لیسانس در رشته تجارت، مدیریت بازرگانی، سیستم‌های اطلاعاتی یا رشته مرتبط نیاز دارند.

تجربه: تجربه کاری در زمینه تجارت، فناوری اطلاعات یا حل مسئله می‌تواند مفید باشد.

فرصت‌های شغلی برای تحلیلگران کسب‌وکار

تقاضای بالا: پیش‌بینی می‌شود که تقاضا برای تحلیلگران کسب‌وکار در سال‌های آینده به رشد خود ادامه دهد. اداره آمار کار ایالات متحده پیش‌بینی می‌کند که اشتغال تحلیلگران کسب‌وکار از سال 2019 تا 2029، 11 درصد افزایش یابد، که سریع‌تر از میانگین رشد شغلی برای همه مشاغل است.

صنایع مختلف: تحلیلگران کسب‌وکار در طیف گسترده‌ای از صنایع، از جمله مراقبت‌های بهداشتی، امور مالی، فناوری اطلاعات و تولید فعالیت می‌کنند.

پتانسیل پیشرفت: تحلیلگران کسب‌وکار می‌توانند به سمت‌های مدیریتی مانند مدیر تحلیل کسب‌وکار یا معمار سازمانی ارتقا پیدا کنند.

در اینجا چند نمونه از عناوین شغلی خاص برای تحلیلگران کسب‌وکار آورده شده است:

تحلیلگر کسب‌وکار

تحلیلگر سیستم

مشاور فرآیند کسب‌وکار

معمار سازمانی

مدیر تحلیل کسب‌وکار

اگر به دنبال یک حرفه چالش برانگیز و با تقاضا هستید که در آن بتوانید از مهارت‌های تحلیلی و حل مسئله خود برای ایجاد تأثیر واقعی بر یک سازمان استفاده کنید، تحلیل کسب‌وکار ممکن است شغل مناسبی برای شما باشد.

نکات اضافی برای شروع کار خود به عنوان یک تحلیلگر کسب‌وکار:

در کنفرانس‌ها و رویدادهای مرتبط با صنعت شرکت کنید. این یک راه عالی برای شبکه‌سازی با سایر تحلیلگران کسب‌وکار و یادگیری آخرین روندها در این زمینه است.

مهارت‌های خود را با شرکت در دوره‌های آموزشی موسسات آموزشی مانند مدرسه دقیقه و دریافت مدارک به روز نگه دارید.

با سخت کوشی و فداکاری، می‌توانید به یک تحلیلگر کسب‌وکار موفق تبدیل شوید و در حرفه خود به پیشرفت ادامه دهید.

The post قصه‌گویی با داده‌ها وظیفه اصلی تحلیلگر داده در کسب‌وکار appeared first on مدرسه پردازش و تحلیل داده دقیقه.

چطور سطرهای دارای مقادیر منفی را در R حذف کنیم؟

بهمن اجدری — Sat, 28 May 2022 13:50:27 +0000

ممکن است در برخی الگوریتم‌ها و یا شرایط تحلیل لازم باشد سطر‌هایی که حداقل یک داده کمتر از صفر(منفی) دارد را از دیتاست خارج کنیم. این کار به روش‌های مختلفی در R قابل انجام است که در ادامه به دو روش آن اشاره می‌کنیم.

ساخت دیتافریم نمونه

برای پیاده سازی عملی روش‌ها لازم است ابتدا یک دیتافریم نمونه درست کنیم. این مجموعه داده دارای 5 سطر و سه ستون است. سطرهای ۳ و ۴ این مجموعه داده دارای یک مقدار منفی در ستون‌های متفاوت است. هدف ما خارج کردن تمام ردیف ۳ و ۴ است.

				
					
df = data.frame(x1=c(1,2,3,4,5),
                x2=c(1,2,-1,3,4),
                x3=c(1,2,3,-4,5))

روش اول: استفاده ازbase R

با استفاده از ترکیب دو تابع rowSums و subset میتوانید به راحتی تمام سطرهایی که حداقل یک مقدار منفی دارند را از مجموعه داده خود حذف کنید.

				
					subset(df, !rowSums(df < 0))
  x1 x2 x3
1  1  1  1
2  2  2  2
5  5  4  5

روش دوم: استفاده از کتابخانه dplyr

کتابخانه dplyr یکی از مهمترین کتابخانه‌های مجموعه tidyverse است. این کتابخانه امکانات بسیار زیادی برای تبدیل داده‌ها در اختیار شما می‌گذارد. در اینجا با استفاده از دو روش اقدام به حذف سطرهایی که حداقل یک مقدار منفی دارند می‌کنیم.

در روش اول با استفاده از تابع filter_all تمام ردیف‌های دارای مقدار منفی راحذف می‌کنیم. تابع all_vars موقعی بکار می‌رود که شما می‌خواهید عملیاتی را برای تمام متغیرها(ستون‌ها) بصورت همزمان انجام بدهید.

				
					library(dplyr)
df %>%
  filter_all( all_vars(.> 0))

روش قبلی با آن که به راحتی عملیات مورد نظر را انجام می‌ دهد، اما این توابع با تابع جدید‌تری به نام acrossجایگزین شده‌اند. این روش کد کمی مدرن‌تر و بروز تر از روش قبلی است.

				
					df %>%
  filter(across(everything(), ~ .> 0))
  x1 x2 x3
1  1  1  1
2  2  2  2
3  5  4  5

اگر می‌خواهید بیشتر در مورد کارکردن با داده‌ها در R بدانید می‌توانید به درس‌های زیر در مدرسه پردازش و تحلیل داده دقیقه مراجعه کنید.

دوره جامع طراحی و تحلیل کارآزمایی بالینی با R

آمنه ابراهیم ولوجردی کیارش تنها علیرضا کدیور

پردازش داده با data.table در R

علیرضا چمن‌زار

دوره جامع تحلیل داده با R

علیرضا کدیور حمیده حسین‌زاده علیرضا چمن‌زار شمیم طاهری کوثر کریمی‌پور

The post چطور سطرهای دارای مقادیر منفی را در R حذف کنیم؟ appeared first on مدرسه پردازش و تحلیل داده دقیقه.

مدیریت داده‌های گمشده در R

بهمن اجدری — Wed, 25 May 2022 05:57:27 +0000

یکی از متداول‌ترین و اولین کارها در پاک‌سازی داده‌ها، مدیریت داده‌های گم شده است. داده‌های گم شده یا همان missing value معمولا به دلایل مختلفی به وجود می‌آیند. اشتباه کاربر در ورود داده، موجود نبودن مقادیر در زمان ثبت داده‌ها و مسائلی از این دست دلایل بوجود آمدن داده‌های گم شده است.

داده‌های گم شده با اهمیت هستند. متخصصین معمولا قبل از شروع به تحلیل برای نحوه برخورد با این نوع داده‌ها برنامه‌ریزی می‌کنند. در برخی موارد تحلیل‌گران تصمیم می‌گیرند این داده‌ها را از مجموعه داده‌های خود بیرون بگذارند، جایگزین کنند و یا آن‌ها را بطور مستقل بررسی کنند. در ادامه چند راه ساده برای تشخیص و جایگزینی این نوع داده‌ها آورده می‌شود.

چطور بفهمیم داده گم شده داریم؟

ساده‌ترین راه در R برای تشخیص داده‌های گم شده استفاده از تابع()is.naاست. برای نمونه ابتدا برداری که دارای داده‌های گم شده است را می‌سازیم و در ادامه با استفاده از این تابع مقادیر گم‌شده را مشخص می‌کنیم.

				
					v <- c(1, 2, 3, NA , 4, NA, 6)
is.na(v)

				
					[1] FALSE FALSE FALSE  TRUE FALSE  TRUE FALSE

مقادیر TRUE در مثال بالا محل قرارگیری داده‌ گم شده را در بردار مورد نظر نمایش می‌دهند.حال اگر بخواهیم تعداد مقادیر گم‌شده را بدانیم کافی است بصورت زیر عمل کنیم:

				
					sum(is.na(v))

				
					[1] 2

تا اینجا باید متوجه شده باشید که اگر بخواهیم درصد داده‌های پرت به کل داده‌ها را بدانیم می‌توانیم بصورت زیر عمل کنیم.

				
					mean(is.na(v))

				
					[1] 0.2857143

برای پیدا کردن اندیس مربوط به داده‌های گم‌شده می‌توانید از تابع which استفاده کنید. در مثال ما اندیس‌های ۴ و ۶ محل قرارگیری داده‌های گم شده هستند.

				
					which(is.na(v))

				
					[1] 4 6

چطور داده‌های گم شده را حذف کنیم؟

برای حذف داده‌های گم‌شده در R روش‌های مختلفی وجود دارد. ساده‌ترین روش استفاده از تابع ()na.omit است.

				
					na.omit(v)

				
					[1] 1 2 3 4 6

چگونه داده گم شده را جایگزین کنیم؟

می‌خواهیم داده‌های گم شده در بردار را با میانگین اعداد جایگزین کنیم. دستور زیر میانگین مقادیر موجود در بردار v را جایگزین مقادیر گمشده می‌کند. شما اگر استراتژی متفاوتی دارید می توانید میانه، بیشینه یا کمینه را با تابع میانگین عوض کنید. حتی می‌توانید تابعی مخصوص به خود بنویسید.

				
					v[is.na(v)] <- mean(v, na.rm = TRUE)

				
					[1] 1.0 2.0 3.0 3.2 4.0 3.2 6.0

مدیریت داده‌های گمشده در دیتا فریم

هنگام کار با R در بیشتر مواقع با یک دیتافریم مواجه هستیم. اگر در دیتافریم داده گمشده دارید می‌توانید به راحتی سطرهای کامل را از دیگر سطرها جدا کنید.

				
					data = data.frame(x1 = c(7, 2, 1, NA, 9), # Some example data
                  x2 = c(1, 3, 1, 9, NA),
                  x3 = c(NA, 8, 8, NA, 5))

دستور زیر تنها سطرهایی که داده‌های کامل دارند را جدا می‌کند.شما می توانید نتیجه این دستور را در متغیر جدیدی ذخیره کنید و در تحلیل خود استفاده کنید.

				
					data[complete.cases(data), ]

دوره جامع طراحی و تحلیل کارآزمایی بالینی با R

آمنه ابراهیم ولوجردی کیارش تنها علیرضا کدیور

پردازش داده با data.table در R

علیرضا چمن‌زار

دوره جامع تحلیل داده با R

علیرضا کدیور حمیده حسین‌زاده علیرضا چمن‌زار شمیم طاهری کوثر کریمی‌پور

منبع عکس: Pierre Bamin on Unsplash

The post مدیریت داده‌های گمشده در R appeared first on مدرسه پردازش و تحلیل داده دقیقه.

پرواز با ارتفاع مناسب

علیرضا کدیور — Mon, 21 Mar 2022 14:15:36 +0000

اگر می‌خواهید یک کتاب موجز و مختصر درباره علوم داده بخوانید بهترین گزینه کتابچه با همین عنوان از سری کتاب‌های دانش‌های ضروری انتشارات دانشگاه ام‌آی‌تی است. مهم‌ترین ویژگی این کتاب، پرواز با ارتفاع مناسب بر فراز موضوع در عینِ نگاه چندجانبه به آن است. جان دی کِلِهِر و برندن تیرنی در این کتاب (+)، نه آنقدر وارد ریزه‌کاری‌های فنی علوم داده می‌‎شوند که خواننده در جزئیات غرق شود نه آنچنان دور و کلی به موضوع نگاه می‌کنند که خواندن کتابی خالی از لطف شود. آن‌ها با زبانی ساده به ابعاد گوناگون علوم داده مانند چگونگی تاثیر تحلیل داده در ارتقای تصمیم‌گیری در کسب‌وکار، نقش مهم زیرساخت و مهندسی داده در گردآوری و همچنین معرفی مسائل کلاسیک در علوم داده و کاربرد آن‌ها در فعالیت‌های پژوهشی و کسب‌وکار می‌پردازند.

کلهر و تایرنی استادان علوم کامپیوتر در بخش فناوری دانشگاه دوبلین ایرلند هستند و تالیفات دیگری نیز درباره موضوعات مرتبط با علوم داده دارند و علاوه بر نویسندگی و کار آکادمیک تجربه کار با کسب‌وکارهای گوناگون را نیز داشته‌اند و حواشی کار زیر عنوان علوم داده را نیز به خوبی می‌شناسند. این آشنایی در برخی قسمت‌های کتاب به خوبی قابل مشاهده است. مثلا بخشی در کتاب وجود دارد به نام «افسانه‌هایی در مورد علوم داده» که با رویکردی انتقادی نسبت به حواشی مربوط آن و با هدف افسانه‌زدایی نوشته شده است. در این بخش، در واقع کتاب روی محدودیت‌های علوم داده انگشت می‌گذارد.

یکی از بزرگ‌ترین افسانه‌هایی که کتاب به آن حمله می‌کند این باور است که علوم داده فرایندی خودکار است که کافیست داده‌هایمان را در اختیار آن قرار دهیم تا پاسخ مشکلات را خودبخود پیدا کند. سپس می‌دهد که اتفاقا علوم داده در تمامی مراحل نیازمند نیروی انسانی دانش‌آموخته و کاردان است. چه در مرحله طرح سوال، چه در مرحله طراحی فرایند و آماده‌سازی داده، چه در مرحله انتخاب الگوریتم‌های یادگیری ماشین و چه در مرحله تفسیر انتقادی نتایج و چه در مرحله برنامه‌ریزی برای اقدام بر اساس یافته‌ها، در تمامی این مراحل نیروی انسانی خبره لازم است و بدون آن عدم تحقق اهداف پروژه علوم داده قطعی است. نویسندگان کتاب بر همین پایه استدلال می‌کنند که تقاضای کار در علوم داده به رشد خود ادامه خواهد داد.

کلهر نویسنده نخست کتاب دیگری در همین مجموعه درباره «یادگیری عمیق» دارد. یادگیری عمیق یکی از الگوریتم‌های داغ در علوم داده است. در کتاب علوم داده نیز کلهر هم قسمتی را به معرفی آن اختصاص داده است. با تمام این احوال، با از حواشی مربوط به آن غافل نشده و در بخش افسانه‌زدایی کتاب «حل تمامی مسائل علوم داده با یادگیری عمیق» را هم به عنوان یکی دیگر از افسانه‌های علوم داده برشمرده است.

کتاب از پیدایش علوم داده و ارائه تاریخچه‌ای جذاب از آن آغاز می‌کند، سپس به مفاهیم پایه می‌رسد، پس از آن اکوسیستمی برای علوم داده ترسیم می‌کند و ارتباط اجزای گوناگون آن با یکدیگر را قابل فهم می‌کند، سپس سراغ یادگیری ماشین می‌رود و فعالیت‌های رایج در علوم داده را در چهار گروه مسائل پیش‌بینی، تحلیل قواعد همبستگی، خوشه‌بندی و کشف موارد غیرمتعارف دسته‌بندی و تشریح می‌کند، سپس حریم خصوصی و اخلاق علوم داده را مورد بحث قرار دهد و دست آخر کتاب را با ترسیم سناریوهای محتمل درباره آینده علوم داده به پایان می‌رساند.

از این کتاب دو ترجمه به زبان فارسی نیز موجود است. در سال 1400 انتشارات تدبیرگر صانعی (+) و شرکت چاپ و نشر بازرگانی (+) آن را روانه بازار نشر در ایران کرده‌اند.

The post پرواز با ارتفاع مناسب appeared first on مدرسه پردازش و تحلیل داده دقیقه.