Hugendubel.info - Die B2B Online-Buchhandlung 

Merkliste
Die Merkliste ist leer.
Bitte warten - die Druckansicht der Seite wird vorbereitet.
Der Druckdialog öffnet sich, sobald die Seite vollständig geladen wurde.
Sollte die Druckvorschau unvollständig sein, bitte schliessen und "Erneut drucken" wählen.

Data Science in der Praxis

Data Science in der Praxis - Eine verständliche Einführung in alle wichtigen Data-Science-Verfahren - Großformatiges Paperback. Klappenbroschur
BuchKartoniert, Paperback
360 Seiten
Deutsch
Rheinwerk Verlagerschienen am03.03.2022
Der ideale Einstieg in Data Science für Praktiker! Ob mit oder ohne Mathematikkenntnisse - Sie bekommen hier den Rundumblick, den Sie für Ihre Projekte brauchen. So heben Sie den Schatz, den Daten darstellen können, wenn man sie richtig befragt. Sie lernen die einschlägigen Analysemethoden kennen, bekommen eine Einführung in die Programmiersprache R und erfahren, wie Sie maschinelles Lernen einsetzen. Und zwar inklusive dazugehöriger Werkzeuge wie Notebooks, die die Data-Science-Programmierung heutzutage so zugänglich machen.
Und weil es mit der Technik allein nicht getan ist, geht das Buch auch auf Probleme der Projektdurchführung ein, beleuchtet verschiedene Anwendungsfelder und vergisst auch nicht, ethische Aspekte anzusprechen.
Mit vielen Beispielen, Hinweisen für den Fehlerfall, Entscheidungshilfen und weiteren Praxistipps.


Aus dem Inhalt:

Erste Schritte mit R und RStudioGrundbegriffe der StatistikVorbereitung: Daten reinigen und transformierenk-Means ClusteringLineare und nichtlineare RegressionVorhersagen, Clustering, KlassifizierungTipps und Werkzeuge für alle ProjektphasenIhre Anwendung als REST-API bereitstellenKI und Maschinelles Lernen einsetzenAnomalieerkennung, Warenkorbanalyse und viele weitere AnwendungsfälleMachine Learning: Modelle richtig trainierenmehr
Verfügbare Formate
BuchKartoniert, Paperback
EUR34,90
E-BookEPUB0 - No protectionE-Book
EUR34,90

Produkt

KlappentextDer ideale Einstieg in Data Science für Praktiker! Ob mit oder ohne Mathematikkenntnisse - Sie bekommen hier den Rundumblick, den Sie für Ihre Projekte brauchen. So heben Sie den Schatz, den Daten darstellen können, wenn man sie richtig befragt. Sie lernen die einschlägigen Analysemethoden kennen, bekommen eine Einführung in die Programmiersprache R und erfahren, wie Sie maschinelles Lernen einsetzen. Und zwar inklusive dazugehöriger Werkzeuge wie Notebooks, die die Data-Science-Programmierung heutzutage so zugänglich machen.
Und weil es mit der Technik allein nicht getan ist, geht das Buch auch auf Probleme der Projektdurchführung ein, beleuchtet verschiedene Anwendungsfelder und vergisst auch nicht, ethische Aspekte anzusprechen.
Mit vielen Beispielen, Hinweisen für den Fehlerfall, Entscheidungshilfen und weiteren Praxistipps.


Aus dem Inhalt:

Erste Schritte mit R und RStudioGrundbegriffe der StatistikVorbereitung: Daten reinigen und transformierenk-Means ClusteringLineare und nichtlineare RegressionVorhersagen, Clustering, KlassifizierungTipps und Werkzeuge für alle ProjektphasenIhre Anwendung als REST-API bereitstellenKI und Maschinelles Lernen einsetzenAnomalieerkennung, Warenkorbanalyse und viele weitere AnwendungsfälleMachine Learning: Modelle richtig trainieren
Details
ISBN/GTIN978-3-8362-8462-2
ProduktartBuch
EinbandartKartoniert, Paperback
Erscheinungsjahr2022
Erscheinungsdatum03.03.2022
Seiten360 Seiten
SpracheDeutsch
Gewicht668 g
Artikel-Nr.50326596

Inhalt/Kritik

Inhaltsverzeichnis


  Materialien zum Buch ... 13


  1.  Einleitung ... 15


       1.1 ... Warum dieses Buch? ... 15

       1.2 ... Das Zeitalter der Daten -- alles nur ein Hype? ... 16

       1.3 ... Warum nun Data Science? ... 17

       1.4 ... Warum Data Science mit R? ... 19

       1.5 ... Für wen ist dieses Buch? ... 20

       1.6 ... Kann man Data Science ohne Mathe lernen? ... 20

       1.7 ... Wie Sie dieses Buch verwenden können ... 22

       1.8 ... Materialien und Kontakt ... 22

       1.9 ... Danksagungen ... 22



  2.  Machine Learning, Data Science und künstliche Intelligenz ... 25


       2.1 ... Aus der Geschichte lernen -- alles nur ein Hype? ... 25

       2.2 ... Begriffsdefinitionen ... 34



  3.  Ablauf eines Data-Science-Projekts ... 39


       3.1 ... Der allgemeine Ablauf eines Data-Science-Projekts ... 39

       3.2 ... Business Understanding: Welches Problem soll gelöst werden? ... 43

       3.3 ... Grundsätzliche Ansätze im Machine Learning ... 47

       3.4 ... Performancemessung ... 49

       3.5 ... Kommunikation mit Stakeholdern ... 57

       3.6 ... Aus dem Labor in die Welt: Data-Science-Applikationen in Produktion ... 58

       3.7 ... Die verschiedenen Rollen in einem Data-Science-Projekt ... 59



  4.  Einführung in R ... 67


       4.1 ... R: kostenlos, portierbar und interaktiv ... 67

       4.2 ... Installation und Konfiguration von R und RStudio ... 74

       4.3 ... Erste Schritte mit R ... 89



  5.  Explorative Datenanalyse ... 111


       5.1 ... Daten: Sammlung, Reinigung und Transformation ... 112

       5.2 ... Notebooks ... 117

       5.3 ... Das Tidyverse ... 123

       5.4 ... Datenvisualisierung ... 137

       5.5 ... Datenanalyse ... 148



  6.  Anwendungsfall Prognosen ... 159


       6.1 ... Lineare Regression ... 159

       6.2 ... Anomalie-Erkennung ... 176



  7.  Clustering ... 185


       7.1 ... Hierarchisches Clustering ... 185

       7.2 ... k-Means ... 197



  8.  Klassifikation ... 207


       8.1 ... Anwendungsfälle für eine Klassifikation ... 207

       8.2 ... Trainings- und Testdaten erstellen ... 209

       8.3 ... Decision Trees ... 217

       8.4 ... Support Vector Machines ... 221

       8.5 ... Naive Bayes ... 226

       8.6 ... XG Boost: Der Newcomer ... 232

       8.7 ... Klassifikation von Text ... 238



  9.  Weitere Anwendungsfälle ... 245


       9.1 ... Warenkorbanalyse -- Association Rules ... 245

       9.2 ... k-nearest Neighbours ... 254



10.  Workflows und Werkzeuge ... 267


       10.1 ... Versionierung mit Git ... 267

       10.2 ... Mit großen Datenmengen umgehen ... 277

       10.3 ... Applikationen via API bereitstellen ... 287

       10.4 ... Applikationen erstellen mit Shiny ... 292



11.  Ethischer Umgang mit Daten und Algorithmen ... 307


       11.1 ... Datenschutz ... 307

       11.2 ... Ethik: Gegen Profiling und Diskriminierung ... 317



12.  Was kommt nach diesem Buch? ... 325


       12.1 ... Projekte, Projekte, Projekte ... 325

       12.2 ... Wer hilft Ihnen jetzt weiter? ... 329

       12.3 ... RSeek ... 335



  Anhang ... 337


       A ... Typische Fehlermeldungen und geeignete Lösungen ... 339

       B ... Glossar ... 343

       C ... Literatur ... 347



  Index ... 353

mehr
Kritik
»Oft scheitern die ersten Data Science-Versuche an den nötigen Mathematik- und Statistikkenntnissen. Das vorliegende Buch führt den Leser praxisorientiert und mit wohldosierter Theorie, minimaler Statistik und Mathematik an dieses komplexe Thema heran. Bevor es ins Detail geht, wird die Historie von Machine Learning, Data Science und KI sowie eine Begriffsdefinition dargestellt. Nach dem Aufzeigen von Best Practices zum erfolgreichen Managen eines Data-Science-Projekts führt die Reise von der Auswahl der Methoden hin zu den verschiedenen Rollen eines Data Scientist. Ein kurzer Crashkurs zu R bereitet den Leser auf die folgenden Praxiskapitel vor. Dank der gut durchdachten Beispiele und der klaren Struktur, die sich wie ein roter Faden durch das gesamte Werk zieht, erreicht man schnell Lernerfolge. Die nötigen Statistik- und Mathematikkenntnisse werden nebenher auf einem einfachen Level vermittelt. Der Schreibstil ist angenehm und es macht Spaß, die Kapitel durchzuarbeiten. Man merkt dem Autor seine Erfahrung im Thema und auch im Vermitteln von Inhalten an. Zahlreiche Abbildungen und Hinweisboxen unterstützen beim Verstehen der Inhalte.« iX - Magazin für professionelle Informationstechnik 202212mehr