کتاب درآمدی بر تحلیل منابع انسانی با استفاده از هوش مصنوعی

فهرست

 مقدمه مترجمان ۱۲

دربارة نویسندگان ۱۵

بخش ۱ : مدلی برای تجزیه و تحلیل کیفیت با داده‌های نیروی کار ۱۷

فصل ۱: معرفی ۱۸

این کتاب درباره چیست؟ ۱۸

سوالات ۲۳

فصل ۲: تجزیه و تحلیل کارکنان ۲۴

تحلیل در مقابل دیجیتالی شدن: سه دیدگاه ۲۴

آزمون فرض آماری، تخمین زدن، پیش‌بینی و شبیهسازی ۲۵

تحول به منابع انسانی دیجیتال ۲۵

انواع تجزیه و تحلیل: توصیفی در مقابل تجویزی و پیش‌بینی کننده ۲۸

نوع ۱: تجزیه و تحلیل توصیفی ۲۸

انواع ۲ و ۳: پیش‌بینی کننده و تجویزی ۳۱

چرخه زندگی کارکنان و محل ذخیره داده‌های آنان ۳۴

جایگاه تجزیه و تحلیل (و بنابراین یادگیری ماشین) در سازمانها ۴۰

سوالات ۴۳

فصل ۳: مدل ایکیگای برای تجزیه و تحلیل منابع انسانی 

آشپز داده ۴۷

افزودن یادگیری ماشین به ترکیب ۵۰

سوالات ۵۵

بخش ۲ : گردآوری علم، یادگیری ماشین و رفتار ۵۶

فصل ۴: فکر کردن به راهبردهای حل مسئله ۵۷

معرفی (دوباره) روش علمی ۵۹

استدلال استقرایی و استنتاجی ۶۳

استدلال استقرایی (و دلیل اهمیت آن) ۶۴

ایکیگای که خیلی به راست متمایل شده است ۶۷

ساخت یک مورد تجاری برای افزایش تعداد جلسات و همچنین تعداد افراد مشارکت‌کننده بیشتر ۷۱

سوالات ۷۵

فصل ۵: نتایج عالی از سوالات بزرگ ناشی می‌شود ۷۶

تعریف مسئله به روشی قابل آزمایش ۷۶

تحقیق دربارۀ تحقیقات خود ۸۱

تعاریف عملیاتی ۸۵

جداول: زبان داده‌ها ۸۷

دست‌کاری در مقابل اندازه‌گیری ۹۱

ما در حال مطالعه چه کسی هستیم؟ ۹۴

نمونه‌های تصادفی: علم پشت آزمایش واقعی ۹۷

نمونه‌های سیستماتیک: واقعیت آزمایش در تنظیمات کاربردی ۱۰۰

مطالعه بیشتر: مطالعات آزمایشی ۱۰۰

تضمین نمایندگی ۱۰۱

مشکل مخلوط کردن ۱۰۱

خطای دیویی -ترومن ۱۰۲

سایر اشکال سوگیری ۱۰۴

عنوان هفتم ۱۰۴

حریم خصوصی داده‌ها ۱۰۶

سوالات ۱۰۷

فصل ۶: آمار برای افراد غیرآماری ۱۰۹

فصل ۷: چرا الان؟ کامپیوترها با یادگیری ماشین آینده را خلق می‌کنند ۱۱۰

کامپیوتر در همه جا ۱۱۳

یادگیری ماشین از راه می‌رسد: مفاهیم اساسی ۱۱۸

برنامه‌نویسی کره بادام زمینی و ژله ۱۲۰

سوالات ۱۲۵

فصل ۸: معرفی یادگیری ماشین ۱۲۶

یادگیری ماشین و آمار استنباطی ۱۲۸

درک نرخ خروج کارمندان با استفاده از چهار رویکرد ۱۳۰

زمینه‌های مربوط به یادگیری ماشین ۱۳۴

ملاحظات برای یادگیری ماشین ۱۳۸

شفافیت، میزان مات بودن  و برازش بیش از حد ۱۴۳

یادگیری تحت نظارت: سفر جاده ای ۱۴۵

طبقه‌بندی در مقابل رگرسیون ۱۴۷

مطالعه بیشتر: اثر مهمانی شبانه ۱۵۴

سوالات ۱۵۷

فصل ۹: تکنیک‌های رایج یادگیری ماشین ۱۵۹

بخش ۳ : شروع کار با یادگیری ماشین ۱۶۰

فصل ۱۰: آنچه تاریخ می‌تواند دربارۀ استفاده خوب از یادگیری ماشین به ما بیاموزد ۱۶۱

درس‌هایی از علوم پایه ۱۶۳

شکاف ساختاری ۱۶۶

جنگ علیه اطلاعات ۱۶۸

مقداری چربی خوب است ۱۷۳

سوگیری، اقتدار و اثربخشی ۱۷۷

بسته بندی گوشت و یادگیری ماشین ۱۸۱

سوالات ۱۸۶

فصل ۱۱: مدیریت پروژه یادگیری ماشین ۱۸۷

هفت دلیل برای انجام خوب مدیریت پروژه ۱۸۷

آنچه پروژه‌های یادگیری ماشین را در منابع انسانی منحصر به فرد می‌کند ۱۹۳

زمان استفاده از مدیریت پروژه ۱۹۶

سوالات ۲۰۴

فصل ۱۲: سه رکن از یک پروژه یادگیری ماشین ۲۰۵

شش فاز چرخه زندگی مدل یادگیری ماشین ۲۰۷

مشکل را درک کنید ۲۱۰

درک دیدگاه تجاری ۲۱۰

اطلاعات را درک کنید ۲۱۲

کاربرد و امکان سنجی ۲۱۴

پروژه را چارچوب بندی کنید ۲۱۷

چالش‌ها و راه حل‌های پیشنهادی ۲۲۳

سوالات ۲۲۴

فصل ۱۳: آماده سازی داده ۲۲۶

فصل ۱۴: مدل خود را خلق کنید ۲۲۷

چرخه عمر توسعه مدل ۲۲۹

مهندسی ویژگی ۲۳۴

آزمایش مدل خود: مجموعه‌های آموزشی و اعتبارسنجی متقابل ۲۴۰

آغاز ایجاد مدل: بررسی نتایج ۲۴۱

اجرای پذیرش: استقرار مدل شما ۲۴۷

مدل خود را حفظ کنید: یکپارچگی در طول زمان ۲۵۱

سوالات ۲۵۷

اصطلاحات تخصصی (واژه‌نامه) ۲۵۸