کتاب راهنمای پیشرو در بازار برای تحلیل‌های مدرن، برای تصمیم‌گیری‌های بهتر کسب‌وکار. در واقع این کتاب جامع‌ترین معرفی از فناوری‌هایی است که به‌طور جمعی «تحلیل» (یا تحلیل کسب‌وکار) نامیده می‌شوند و همچنین روش‌ها، فنون و نرم‌افزارهای بنیادی مورد استفاده برای طراحی و توسعه این سامانه‌ها نیز در آن توضیح داده شده است. دانشجویان با مثال‌هایی از سازمان‌هایی که از تحلیل برای اتخاذ تصمیم استفاده کرده‌اند الهام می‌گیرند، در حالی که از منابع وب‌سایت همراه بهره‌مند می‌شوند. با شش فصل جدید، ویرایش یازدهم بازسازی مهمی را نشان می‌دهد که منعکس‌کننده تمرکز جدیدی است — تحلیل و فناوری‌های توانمندساز آن، از جمله هوش مصنوعی، یادگیری ماشین، رباتیک، چت‌بات‌ها و اینترنت اشیاء.
در ادامه سعی می کنیم خلاصه ای گذرا از هر فصل ارائه دهیم و در آخر این مطلب، کتاب را به صورت کامل برای دانلود قرار دهیم.
📘تحلیل، علم داده و هوش مصنوعی: سامانه‌هایی برای پشتیبانی از تصمیم‌گیری (ویراست یازدهم)
نویسندگان: رامش شاردا، درسون دلن، و افرایم توربان
ناشر: Pearson، سال ۲۰۲۴
مقدمه
نویسندگان با اشاره به رشد خیره‌کنندهٔ داده و محاسبات، کتاب را با این جمله آغاز می‌کنند که «تحلیل داده‌ها به زبان مشترک قرن بیست‌ویکم تبدیل شده است.»
آن‌ها می‌گویند که تصمیم‌گیری در عصر دیجیتال، بدون استفاده از داده و الگوریتم، دیگر ممکن نیست. هدف کتاب، ارائهٔ درکی جامع از پیوند میان داده، مدل، فناوری و تصمیم انسانی است.
در مقدمه تأکید می‌شود که تحلیل نه‌فقط یک ابزار فنی، بلکه تفکری مدیریتی است که باید در سراسر سازمان نهادینه شود.
فصل ۱: مقدمه‌ای بر تحلیل، داده‌کاوی و هوش مصنوعی
فصل اول، تصویری کلی از منظومهٔ تحلیل ارائه می‌دهد. نویسندگان سه لایهٔ اصلی را معرفی می‌کنند:
۱. تحلیل توصیفی (چه رخ داده است؟)
۲. تحلیل پیش‌بینی کننده (چه ممکن است رخ دهد؟)
۳. تحلیل تجویزی (چه باید کرد؟)
در این فصل، سیر تاریخی هوش مصنوعی و داده‌کاوی از دههٔ ۱۹۶۰ تا امروز مرور می‌شود و نشان داده می‌شود که چگونه این حوزه‌ها به‌تدریج در سیستم‌های پشتیبان تصمیم ادغام شدند.
نکتهٔ کلیدی: «تحلیل داده، ترکیبی از علم، هنر و قضاوت انسانی است.»
فصل ۲: مفاهیم و کاربردهای هوش مصنوعی
در این فصل تعریف هوش مصنوعی از منظر عملی ارائه می‌شود: سیستمی که می‌تواند حس کند، بیندیشد، بیاموزد و عمل کند.
نویسندگان، رویکردهای نمادین و آماری را مقایسه می‌کنند و نمونه‌هایی از استفادهٔ AI در خدمات مالی، پزشکی و لجستیک می‌آورند.
ایدهٔ اصلی این است که هوش مصنوعی نه جایگزین انسان، بلکه مکمل اوست — ابزاری برای افزایش ظرفیت تصمیم‌گیری، نه حذف آن.
فصل ۳: ماهیت داده و مدل‌سازی آماری
در این فصل، اهمیت کیفیت داده بررسی می‌شود. دادهٔ ناقص، نادقیق یا سوگیر می‌تواند نتایج را تحریف کند.
مباحثی چون نرمال‌سازی، نمونه‌برداری، و مدل‌سازی رگرسیون به زبان ساده توضیح داده می‌شوند.
در پایان، نویسندگان مفهوم «زنجیرهٔ ارزش داده» را مطرح می‌کنند: از جمع‌آوری تا ذخیره‌سازی و تحلیل.
فصل ۴: فرایند و روش‌های داده‌کاوی
اینجا تمرکز بر روش‌های کشف الگو است: خوشه‌بندی، درخت تصمیم، قوانین انجمنی و الگوریتم‌های طبقه‌بندی.
نویسندگان با استفاده از مثال‌های تجاری نشان می‌دهند چگونه داده‌کاوی می‌تواند رفتار مشتریان، الگوهای تقلب یا نواقص تولید را آشکار کند.
کلید فهم این فصل در جمله‌ای است: «داده‌کاوی زمانی ارزش دارد که به بینش منجر شود.»
فصل ۵: یادگیری ماشین برای تحلیل پیش‌بین
در این فصل، یادگیری ماشین به‌عنوان قلب تحلیل پیش‌بین معرفی می‌شود.
تفاوت میان یادگیری نظارت‌شده، بدون نظارت و تقویتی توضیح داده می‌شود.
نویسندگان الگوریتم‌هایی چون شبکه‌های عصبی، ماشین بردار پشتیبان و درخت‌های تصادفی را مرور کرده و کاربرد هر یک را در دنیای واقعی نشان می‌دهند.
نکتهٔ کلیدی این است که مدل‌ها باید تفسیرپذیر باشند تا اعتماد تصمیم‌گیرندگان را جلب کنند.
فصل ۶: یادگیری عمیق و رایانش شناختی
در این بخش، تحول یادگیری عمیق شرح داده می‌شود — از پرسپترون تا شبکه‌های عصبی کانولوشنی و بازگشتی.
نویسندگان نشان می‌دهند که چگونه شبکه‌های عمیق توانسته‌اند پردازش تصویر، گفتار و زبان طبیعی را متحول کنند.
در کنار آن، مفهوم «رایانش شناختی» معرفی می‌شود: سیستم‌هایی که با الهام از مغز انسان، درک و استدلال می‌کنند (مانند Watson).
ایدهٔ محوری: عمق داده و عمق مدل، دو روی یک سکه‌اند.
فصل ۷: متن‌کاوی، تحلیل احساسات و شبکه‌های اجتماعی
در این فصل، تمرکز بر تحلیل زبان طبیعی است. نویسندگان توضیح می‌دهند چگونه می‌توان از متون شبکه‌های اجتماعی بینش استخراج کرد.
فرآیند متن‌کاوی شامل پاک‌سازی، توکن‌سازی، بردارسازی و تحلیل احساس است.
نمونه‌هایی از ردیابی رضایت مشتری، تحلیل افکار عمومی و پیش‌بینی انتخابات ارائه می‌شود.
در پایان فصل، تأکید می‌شود که تحلیل زبانی بدون درک زمینه فرهنگی ناقص است.
فصل ۸: تحلیل تجویزی و شبیه‌سازی
فصل هشتم به روش‌های تصمیم‌سازی بهینه می‌پردازد: برنامه‌ریزی خطی، مدل‌های تصمیم در عدم قطعیت و شبیه‌سازی مونت‌کارلو.
نویسندگان توضیح می‌دهند که تحلیل تجویزی فراتر از پیش‌بینی است؛ یعنی توصیهٔ عملی برای اقدام ارائه می‌کند.
در اینجا رابطهٔ میان تحلیل و علم مدیریت برجسته می‌شود: داده به تصمیم، تصمیم به عمل.
فصل ۹: کلان‌داده، رایانش ابری و تحلیل مکانی
نویسندگان با بیان اینکه «داده‌ها سریع‌تر از توان تحلیل ما رشد می‌کنند»، فصل را آغاز می‌کنند.
مفاهیم Hadoop، Spark و پردازش توزیع‌شده شرح داده می‌شوند.
همچنین کاربرد تحلیل مکانی در لجستیک، سلامت شهری و کشاورزی هوشمند بررسی می‌شود.
در پایان، کتاب تأکید می‌کند که «کلان‌داده بدون پرسش درست، فقط کلان‌سروصداست.»
فصل ۱۰: رباتیک صنعتی و خانگی
این فصل گذر از تحلیل داده به عمل فیزیکی را توضیح می‌دهد.
ربات‌ها به‌عنوان تجسم تصمیم‌گیری هوشمند معرفی می‌شوند. از ربات‌های کارخانه‌ای تا جاروبرقی‌های خانگی، همگی از الگوریتم‌های یادگیری برای سازگاری استفاده می‌کنند.
فصل با بحثی اخلاقی تمام می‌شود: چه زمانی اتوماسیون، تهدیدی برای شغل انسان است و چه زمانی فرصتی برای ارتقای او؟
فصل ۱۱: تصمیم‌گیری گروهی و سیستم‌های همکاری
نویسندگان مفهوم «هوش جمعی» را بررسی می‌کنند: اینکه تصمیم‌های گروهی می‌توانند بهتر از تصمیم‌های فردی باشند.
ابزارهایی مانند اتاق‌های گفت‌وگوی بلادرنگ، سیستم‌های رأی‌گیری و مدل‌های اجماع معرفی می‌شوند.
هوش مصنوعی نقش هماهنگ‌کنندهٔ این سیستم‌ها را ایفا می‌کند، به‌ویژه در سازمان‌های بزرگ و شبکه‌ای.
فصل ۱۲: سیستم‌های دانشی و توصیه‌گرها
در این فصل، سامانه‌های خبره و موتورهای توصیه‌گر بررسی می‌شوند.
نویسندگان روند تحول از قواعد صریح دههٔ ۸۰ تا یادگیری ضمنی امروز را توضیح می‌دهند.
کاربردها شامل فروش آنلاین، خدمات مالی و آموزش هوشمند است.
پیام فصل: دانش زمانی ارزش دارد که به تصمیم تبدیل شود.
فصل ۱۳: اینترنت اشیا و کاربردهای هوشمند
در این فصل، مفهوم IoT به‌عنوان منبع جدید داده معرفی می‌شود.
حسگرها، دوربین‌ها و دستگاه‌های پوشیدنی داده‌هایی تولید می‌کنند که از طریق AI به بینش تبدیل می‌شوند.
فصل با نمونه‌هایی از شهر هوشمند، خودرو خودران و خانهٔ هوشمند به پایان می‌رسد.
فصل ۱۴: ملاحظات اخلاقی، سازمانی و اجتماعی
کتاب در آخرین فصل به قلب مسئله می‌رسد: مسئولیت.
هوش مصنوعی اگر بدون چارچوب اخلاقی توسعه یابد، می‌تواند آسیب‌زا باشد.
موضوعاتی مانند حریم خصوصی، سوگیری داده، شفافیت الگوریتمی و مسئولیت اجتماعی شرکت‌ها مورد بررسی قرار می‌گیرد.
نویسندگان نتیجه می‌گیرند که «اعتماد، سرمایهٔ اصلی دنیای داده است.»
جمع‌بندی نهایی
کتاب تحلیل، علم داده و هوش مصنوعی اثری آموزشی و راهبردی است که هدفش ایجاد درکی یکپارچه از فناوری و تصمیم‌گیری است.
نویسندگان نشان می‌دهند که هوش مصنوعی زمانی ارزشمند است که در خدمت انسان و سازمان باشد، نه بالعکس.
پیام نهایی ساده اما عمیق است:
«داده بدون هدف، بی‌معناست؛ و تصمیم بدون داده، تصمیم کورکورانه.»
دانلود رایگان و کامل کتاب:
