Tom Alby: Data Science in der Praxis

Cover: 9783836284622 | Data Science in der Praxis | Tom Alby | Taschenbuch | 360 S. | Deutsch

Dekorationsartikel gehören nicht zum Leistungsumfang.

Sprache: Deutsch

34,90 €*

inkl. MwSt.

Versandkostenfrei per Post / DHL

auf Lager, Lieferzeit 1-2 Werktage

Kategorien:

Beschreibung

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 RStudio
Grundbegriffe der Statistik
Vorbereitung: Daten reinigen und transformieren
k-Means Clustering
Lineare und nichtlineare Regression
Vorhersagen, Clustering, Klassifizierung
Tipps und Werkzeuge für alle Projektphasen
Ihre Anwendung als REST-API bereitstellen
KI und Maschinelles Lernen einsetzen
Anomalieerkennung, Warenkorbanalyse und viele weitere Anwendungsfälle
Machine Learning: Modelle richtig trainieren

Aus dem Inhalt:

Erste Schritte mit R und RStudio
Grundbegriffe der Statistik
Vorbereitung: Daten reinigen und transformieren
k-Means Clustering
Lineare und nichtlineare Regression
Vorhersagen, Clustering, Klassifizierung
Tipps und Werkzeuge für alle Projektphasen
Ihre Anwendung als REST-API bereitstellen
KI und Maschinelles Lernen einsetzen
Anomalieerkennung, Warenkorbanalyse und viele weitere Anwendungsfälle
Machine Learning: Modelle richtig trainieren

Über den Autor

Tom Alby ist Chief Digital Transformation Officer bei dem Kreditversicherer 'Euler Hermes' für Deutschland, Österreich und die Schweiz. Er unterrichtet Datenanalyse als Lehrbeauftragter an der Hochschule für Angewandte Wissenschaften Hamburg (HAW).

Zusammenfassung

Von der Anforderungsanalyse über die Datenakquise bis zur Visualisierung

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

Details

Erscheinungsjahr:	2022
Fachbereich:	Programmiersprachen
Genre:	Informatik , Mathematik , Medizin , Naturwissenschaften , Technik
Rubrik:	Naturwissenschaften & Technik
Medium:	Taschenbuch
Reihe:	Rheinwerk Computing
Inhalt:	360 S.
ISBN-13:	9783836284622
ISBN-10:	3836284626
Sprache:	Deutsch
Herstellernummer:	459/08462
Einband:	Klappenbroschur
Autor:	Alby, Tom
Hersteller:	Rheinwerk Rheinwerk Verlag GmbH
Verantwortliche Person für die EU:	Rheinwerk Verlag GmbH, Rheinwerkallee 4, D-53227 Bonn, service@rheinwerk-verlag.de
Maße:	230 x 178 x 22 mm
Von/Mit:	Tom Alby
Erscheinungsdatum:	03.03.2022
Gewicht:	0,668 kg

Artikel-ID: 120812578