Verlag |
HANSER Fachbuch |
Autor:innen |
Katherine Munro (2), Stefan Papp (2), Zoltan Toth (2), Wolfgang Weidinger (2), Danko Nikolic (2), Barbora Antosova Vesela (2), Annalisa Cadonna (2), Karin Bruckmüller (2), Georg Langs (2), Rania Wazir (2), Günther Zauner (2), Roxane Licandro (2) |
Fassung |
846 Seiten, Hardcover |
Erschienen |
08/2024 |
ISBN |
978-1-56990-934-8 |
Verlag: | HANSER Fachbuch |
Autor:innen | Katherine Munro (2), Stefan Papp (2), Zoltan Toth (2), Wolfgang Weidinger (2), Danko Nikolic (2), Barbora Antosova Vesela (2), Annalisa Cadonna (2), Karin Bruckmüller (2), Georg Langs (2), Rania Wazir (2), Günther Zauner (2), Roxane Licandro (2) |
Fassung: | 846 Seiten, Hardcover |
Erschienen: | 08/2024 |
ISBN: | 978-1-56990-934-8 9781569909348 |
Inhaltsverzeichnis: | Jetzt downloaden |
Vorwort: | Jetzt downloaden |
Leseprobe: | Jetzt downloaden |
Verlag: | HANSER Fachbuch |
Autor:innen | Katherine Munro (2), Stefan Papp (2), Zoltan Toth (2), Wolfgang Weidinger (2), Danko Nikolic (2), Barbora Antosova Vesela (2), Annalisa Cadonna (2), Karin Bruckmüller (2), Georg Langs (2), Rania Wazir (2), Günther Zauner (2), Roxane Licandro (2) |
Fassung: | 846 Seiten, Hardcover |
Erschienen: | 08/2024 |
ISBN: | 978-1-56990-934-8 9781569909348 |
Inhaltsverzeichnis: | Jetzt downloaden |
Vorwort: | Jetzt downloaden |
Leseprobe: | Jetzt downloaden |
Data Science, Big Data, Artificial Intelligence, and Generative AI are some of the hottest topics across industries, governments, and society today. Yet, they are also frequently misunderstood. This book aims to clear up these concepts and equip you with practical knowledge for applying them effectively.
Through exercises and real-world examples, you'll learn how to implement data science techniques, build data platforms, and deploy data-driven and machine learning projects. You'll discover how to create value from these endeavors and explain their benefits to various stakeholders. The book brings essential data science concepts to life, covering statistics, mathematics, and machine learning basics, while also addressing critical thinking, legal and ethical considerations, and building high-performing data teams.
Whether you’re an aspiring data scientist, an experienced engineer, or a data leader, you’ll gain insights into how organizations can become more data-driven, the challenges they might face, and how you can contribute to making the journey successful.
The author team comprises data professionals from both business and academia, including data scientists, engineers, business leaders, and legal experts. All members are part of the Vienna Data Science Group (VDSG), an NGO dedicated to sharing knowledge about data science, AI, and machine learning, and raising awareness about their opportunities and risks.
In this Reading sample the Authors describe the capabilities of generative machine learning models, which go beyond traditional predictive models. Unlike predictive models that classify or predict based on existing data, generative models are designed to create entirely new content. They can generate rich and diverse outputs in various formats, such as text, images, and videos, based on a given prompt. For example, instead of simply identifying whether an image contains a cat or a dog, a generative model can be asked to create a brand-new image of a cat, a dog, or virtually anything else imaginable.
Katherine Munro ist Data Scientist und Data Science Ambassador im Bereich E-Commerce. Sie forscht und hält Unternehmensschulungen in den Bereichen KI, maschinelles Lernen, Natural Language Processing und Data Science.
Mit einem Hintergrund in Computerlinguistik und maschinellem Lernen hat Katherine in der Forschung und Entwicklung für Mercedes Benz und das Fraunhofer Institut gearbeitet und sich dabei auf Benutzeroberflächen und natürliches Sprachverständnis spezialisiert. Sie hat auch als Universitätsdozentin und Englischlehrerin gearbeitet und hält jetzt Vorträge, ist Education Lead für Women in AI Upper Austria, ehrenamtliche Mentorin bei Female Coders Linz und Trainerin für LinkedIn Learning.
Stefan Papp ist Unternehmer. Er und seine Mitarbeiter helfen Organisationen beim Aufbau von Datenarchitekturen und bei der Migration von On-Premise-Lösungen in die Cloud. Einer der Schwerpunkte von Stefan Papp und seinem Team sind auch autonom fahrende Autos. Stefan Papp ist Autor zahlreicher Fachartikel und Bücher zum Thema Big Data. Ihn beschäftigt auch die Frage, wie AI unsere Gesellschaft bereichern und dabei auch nachhaltig verändern kann.
Zoltan C. Toth ist Data Engineering Architect, Dozent und Unternehmer. Mit einem Hintergrund in Informatik und Mathematik hat er Datenarchitekturen, Big Data Technologien und den Betrieb von ML für Fortune 500 Unternehmen weltweit unterrichtet. In den letzten zwei Jahrzehnten hat er als Solution Architect mit mehreren großen Unternehmen zusammengearbeitet und dabei Datenanalyseinfrastrukturen implementiert und diese bis zur Verarbeitung von Petabytes an Daten skaliert. Außerdem ist er Dozent an der Central European University. Er gründete Datapao, ein Beratungsunternehmen für Data Engineering, das zum europäischen Professional Services Center von Databricks und zu einem Microsoft Gold Partner für Data Science wurde.
Wolfgang Weidinger ist Präsident der Vienna Data Science Group (www.vdsg.at), einer gemeinnützigen Vereinigung von und für Data Scientists. Diese führt sowohl Forschung als auch Praxis in den verschiedensten Branchen zusammen. Die VDSG ist eine stark wachsende internationale Gemeinschaft, deren Ziel es ist über Data Science und deren Teilbereiche wie Machine learning und Artificial Intelligence, sowie deren Auswirkungen auf die Gesellschaft aufzuklären. Wolfgang Weidinger hat als Data Scientist in den verschiedensten Branchen und Bereichen wie Start-Ups, Finanzwirtschaft, Consulting und Großhandel gearbeitet und dort unter anderem Data-Science-Teams aufgebaut und geleitet.
Dr. Danko Nikolic ist Experte für Hirnforschung und KI. Viele Jahre hat er ein elektrophysiologisches Labor am Max Planck Institut für Hirnforschung geleitet. Als Experte für KI und Machine Learning leitet er ein Data Science Team und entwickelt kommerzielle Lösungen auf der Grundlage von KI Technologie. Er erfand den KI Kindergarten – ein Konzept für das Training der KI der Zukunft, um eine Intelligenz auf nahezu menschlichem Niveau zu erreichen. Er leistete auch Pionierarbeit beim Einsatz von ML, um "Gedanken" aus den elektrischen Signalen des Gehirns zu lesen; er und sein Team konnten allein durch die Analyse der Gehirnsignale rekonstruieren, was ein Tier sah. Er führte das Konzept der Ideasthesie ("Konzeptwahrnehmung") in die Neurowissenschaften ein und ist der Autor einer Theorie namens Practopoiesis, die beschreibt, wie biologische Systeme Intelligenz erreichen. Er hat einen Abschluss in Psychologie und Bauingenieurwesen von der Universität Zagreb, Kroatien, und einen Doktortitel von der Universität Oklahoma, USA. Von 2014 bis 2019 war er Honorarprofessor an der Universität Zagreb.
Barbora Vesela ist Data Scientist und Software Engineer und arbeitet bei Frequentis, einem Unternehmen, das in einem sicherheitskritischen Kommunikations- und Informationsumfeld tätig ist. Ihr Hintergrund ist ein Studium der Biophysik an der Masaryk Universität in Brünn und der Biomedizintechnik an der FH Technikum Wien und der Technischen Universität Brünn. Sie interessiert sich für verschiedene Themen, die Data Science und Signal und Bildverarbeitung in verschiedenen Bereichen wie Medizin, Forschung und Luftverkehrsmanagement kombinieren.
Annalisa Cadonna ist Statistikerin und Beraterin für Data Science. Sie promovierte in angewandter Mathematik und Statistik an der University of California, Santa Cruz. Annalisa hat statistische und Machine Learning Methoden für Projekte in der Finanz-, Energie- und Medizinbranche eingesetzt. Derzeit ist es ihr berufliches Ziel, die Lücke zwischen Zeitreihenforschung und industriellen Anwendungen zu schließen, indem sie probabilistische Programmierung und Cloud Technologien einsetzt. Annalisa ist bestrebt, Statistik und ML als Mittel zur Erreichung der Ziele für nachhaltige Entwicklung einzusetzen und sich aktiv an der Entwicklung von Werkzeugen und Frameworks für verantwortungsvolle künstliche Intelligenz zu beteiligen. Sie ist auch eine der Organisatorinnen von R Ladies Vienna.
Georg Langs ist Professor für Maschinelles Lernen in der medizinischen Bildgebung an der Medizinischen Universität Wien, wo er das Computational Imaging Research Lab am Department für Biomedizinische Bildgebung und bildgeführte Therapie leitet. Er ist Mitbegründer und Chief Scientist des Spin offs contextflow GmbH, das Software für KI basierte Bildsuche entwickelt. Georg Langs studierte Mathematik an der Technischen Universität Wien und Informatik an der Technischen Universität Graz und war Research Scientist am MIT Computer Science and Artificial Intelligence Lab, wo er immer noch Research Affiliate ist.
Rania Wazir ist Mathematikerin und Data Scientist mit den Schwerpunkten Trustworthy KI, Natural Language Processing und Social Media Monitoring. Sie ist stellvertretende Vorsitzende des österreichischen Normenausschusses für KI und österreichische Delegierte in der ISO Arbeitsgruppe für vertrauenswürdige KI; außerdem ist sie Koordinatorin der data4good Initiative des VDSG, die mit gemeinnützigen Organisationen an datenbasierten Projekten arbeitet. Sie leitete ein Konsortium von Experten aus den Bereichen maschinelles Lernen, Recht und Sozialwissenschaften, das vor Kurzem eine Untersuchung über Voreingenommenheit in Algorithmen für die EU Grundrechteagentur abgeschlossen hat, und ist derzeit die technische Leiterin eines dreijährigen Projekts zur Entwicklung eines fairen KI Entwicklungsprozesses, das von der österreichischen Forschungsagentur finanziert wird.
Dr. Wazir ist gemeinsam mit der Open Innovation Expertin Dr. Gertraud Leimüller Mitbegründerin des kürzlich gegründeten Startups leiwand.ai, dessen Ziel es ist, Unternehmen und Organisationen, die mit der Entwicklung oder dem Einsatz von KI Systemen befasst sind, die notwendigen Werkzeuge und das Know how zur Verfügung zu stellen, um die Vertrauenswürdigkeit ihrer Systeme zu gewährleisten.
Günther Zauner ist langjähriger Mitarbeiter der dwh GmbH, Mathematiker und Experte auf dem Gebiet der Modellierung und Simulation, Parametrisierung und Prognosemodellierung. Er arbeitet sowohl in Industrieprojekten als auch in Forschungsprojekten (z. B. EU FP7 CEPHOS LINK, Horizon 2020 RheumaBuddy). Er ist spezialisiert auf die Entwicklung von Modellierungskonzepten, die Integration von Routinedaten und das Verhalten der Bevölkerung. Er ist Mitglied des VDSG, der Society of Medical Decision Making (SMDM) und Mitglied des Vorstands der International Society for Pharmacoeconomics and Outcomes Research Austria (ISPOR Austria). Darüber hinaus ist er Gutachter für mehrere Fachzeitschriften und promoviert im Bereich Public Health unter der Leitung von Professor Majdan an der Universität Trnava.
Roxane Licandro ist Postdoktorandin an der Medizinischen Uni versität Wien und Forschungsstipendiatin am Massachusetts General Hospital und der Harvard Medical School. Sie schloss ihr Studium der Medizinischen Informatik an der TU Wien ab, wo sie als Universitätsassistentin am Computer Vision Lab arbeitete. Sie erhielt ein Marie Sklodowska Curie Stipendium und absolvierte Forschungsaufenthalte an der Charité Berlin, dem Kinderspital Zürich und dem University College London. Sie arbeitete am Kunsthistorischen Museum Wien und bei Agfa Healthcare. Ihr Forschungsschwerpunkt liegt auf der Suche nach neuen Möglichkeiten zur rechnerischen Modellierung und Vorhersage dynamischer Prozesse in Raum und Zeit, der pädiatrischen und fötalen Gehirnentwicklung, der statistischen Musteranalyse in der Krebsforschung und der geometrischen Formanalyse von anatomischen und kulturellen Objekten.
Verlag |
HANSER Fachbuch |
Autor:innen |
Katherine Munro (2), Stefan Papp (2), Zoltan Toth (2), Wolfgang Weidinger (2), Danko Nikolic (2), Barbora Antosova Vesela (2), Annalisa Cadonna (2), Karin Bruckmüller (2), Georg Langs (2), Rania Wazir (2), Günther Zauner (2), Roxane Licandro (2) |
Fassung |
846 Seiten, Hardcover |
Erschienen |
08/2024 |
ISBN |
978-1-56990-934-8 |