این کتاب راهنمای جامعی برای ابهام‌زدایی از یادگیری ماشین -به عنوان شاخه‌ای از هوش مصنوعی- برای حرفه‌ای‌ها در زمینه‌ها‌ی مختلف- از جمله متخصصان آمار و متخصصان منابع انسانی- طراحی شده است. این کتاب که توسط کریستوفر ام. روزت و آستین هاگرتی نوشته شده است، ارتباط روزافزون یادگیری ماشین در مدیریت داده‌های کارکنان و پیچیدگی‌های موجود در حوزه منابع انسانی را بررسی می‌کند.

 مقدمه مترجمان 12

دربارة نویسندگان 15

بخش 1 : مدلی برای تجزیه و تحلیل کیفیت با داده‌های نیروی کار 17

فصل 1: معرفی 18

این کتاب درباره چیست؟ 18

سوالات 23

فصل 2: تجزیه و تحلیل کارکنان 24

تحلیل در مقابل دیجیتالی شدن: سه دیدگاه 24

آزمون فرض آماری، تخمین زدن، پیش‌بینی و شبیهسازی 25

تحول به منابع انسانی دیجیتال 25

انواع تجزیه و تحلیل: توصیفی در مقابل تجویزی و پیش‌بینی کننده 28

نوع 1: تجزیه و تحلیل توصیفی 28

انواع 2 و 3: پیش‌بینی کننده و تجویزی 31

چرخه زندگی کارکنان و محل ذخیره داده‌های آنان 34

جایگاه تجزیه و تحلیل (و بنابراین یادگیری ماشین) در سازمانها 40

سوالات 43

فصل 3: مدل ایکیگای برای تجزیه و تحلیل منابع انسانی 

آشپز داده 47

افزودن یادگیری ماشین به ترکیب 50

سوالات 55

بخش 2 : گردآوری علم، یادگیری ماشین و رفتار 56

فصل 4: فکر کردن به راهبردهای حل مسئله 57

معرفی (دوباره) روش علمی 59

استدلال استقرایی و استنتاجی 63

استدلال استقرایی (و دلیل اهمیت آن) 64

ایکیگای که خیلی به راست متمایل شده است 67

ساخت یک مورد تجاری برای افزایش تعداد جلسات و همچنین تعداد افراد مشارکت‌کننده بیشتر 71

سوالات 75

فصل 5: نتایج عالی از سوالات بزرگ ناشی می‌شود 76

تعریف مسئله به روشی قابل آزمایش 76

تحقیق دربارۀ تحقیقات خود 81

تعاریف عملیاتی 85

جداول: زبان داده‌ها 87

دست‌کاری در مقابل اندازه‌گیری 91

ما در حال مطالعه چه کسی هستیم؟ 94

نمونه‌های تصادفی: علم پشت آزمایش واقعی 97

نمونه‌های سیستماتیک: واقعیت آزمایش در تنظیمات کاربردی 100

مطالعه بیشتر: مطالعات آزمایشی 100

تضمین نمایندگی 101

مشکل مخلوط کردن 101

خطای دیویی -ترومن 102

سایر اشکال سوگیری 104

عنوان هفتم 104

حریم خصوصی داده‌ها 106

سوالات 107

فصل 6: آمار برای افراد غیرآماری 109

فصل 7: چرا الان؟ کامپیوترها با یادگیری ماشین آینده را خلق می‌کنند 110

کامپیوتر در همه جا 113

یادگیری ماشین از راه می‌رسد: مفاهیم اساسی 118

برنامه‌نویسی کره بادام زمینی و ژله 120

سوالات 125

فصل 8: معرفی یادگیری ماشین 126

یادگیری ماشین و آمار استنباطی 128

درک نرخ خروج کارمندان با استفاده از چهار رویکرد 130

زمینه‌های مربوط به یادگیری ماشین 134

ملاحظات برای یادگیری ماشین 138

شفافیت، میزان مات بودن  و برازش بیش از حد 143

یادگیری تحت نظارت: سفر جاده ای 145

طبقه‌بندی در مقابل رگرسیون 147

مطالعه بیشتر: اثر مهمانی شبانه 154

سوالات 157

فصل 9: تکنیک‌های رایج یادگیری ماشین 159

بخش 3 : شروع کار با یادگیری ماشین 160

فصل 10: آنچه تاریخ می‌تواند دربارۀ استفاده خوب از یادگیری ماشین به ما بیاموزد 161

درس‌هایی از علوم پایه 163

شکاف ساختاری 166

جنگ علیه اطلاعات 168

مقداری چربی خوب است 173

سوگیری، اقتدار و اثربخشی 177

بسته بندی گوشت و یادگیری ماشین 181

سوالات 186

فصل 11: مدیریت پروژه یادگیری ماشین 187

هفت دلیل برای انجام خوب مدیریت پروژه 187

آنچه پروژه‌های یادگیری ماشین را در منابع انسانی منحصر به فرد می‌کند 193

زمان استفاده از مدیریت پروژه 196

سوالات 204

فصل 12: سه رکن از یک پروژه یادگیری ماشین 205

شش فاز چرخه زندگی مدل یادگیری ماشین 207

مشکل را درک کنید 210

درک دیدگاه تجاری 210

اطلاعات را درک کنید 212

کاربرد و امکان سنجی 214

پروژه را چارچوب بندی کنید 217

چالش‌ها و راه حل‌های پیشنهادی 223

سوالات 224

فصل 13: آماده سازی داده 226

فصل 14: مدل خود را خلق کنید 227

چرخه عمر توسعه مدل 229

مهندسی ویژگی 234

آزمایش مدل خود: مجموعه‌های آموزشی و اعتبارسنجی متقابل 240

آغاز ایجاد مدل: بررسی نتایج 241

اجرای پذیرش: استقرار مدل شما 247

مدل خود را حفظ کنید: یکپارچگی در طول زمان 251

سوالات 257

اصطلاحات تخصصی (واژه‌نامه) 258