Data Science in der Praxis

Eine verständliche Einführung in alle wichtigen Verfahren

Die Rundumversorgung für Ihre Data-Science-Projekte!

Verlag	Rheinwerk Verlag
Fassung	360 Seiten, Softcover
Erschienen	02/2022
ISBN	978-3-8362-8462-2 9783836284622

Buch

€34,90 inkl. MwSt.

Best.-Nr.: RW-8462

Versandkostenfrei (D)

Sofort lieferbar

Data Science in der Praxis

Eine verständliche Einführung in alle wichtigen Verfahren

Die Rundumversorgung für Ihre Data-Science-Projekte!

Verlag:	Rheinwerk Verlag
Fassung:	360 Seiten, Softcover
Erschienen:	02/2022
ISBN:	978-3-8362-8462-2 9783836284622

Best.-Nr.: RW-8462
Sofort lieferbar

€34,90 inkl. MwSt.

Versandkostenfrei (D)

Best.-Nr.:

eBook (PDF)

€ inkl. MwSt.

Inhaltsverzeichnis:	Jetzt downloaden
Vorwort:	Jetzt downloaden
Leseprobe:	Jetzt downloaden

Data Science in der Praxis

Eine verständliche Einführung in alle wichtigen Verfahren

Die Rundumversorgung für Ihre Data-Science-Projekte!

Best.-Nr.: RW-8462
Sofort lieferbar

€34,90 inkl. MwSt.

Versandkostenfrei (D)

Verlag:	Rheinwerk Verlag
Fassung:	360 Seiten, Softcover
Erschienen:	02/2022
ISBN:	978-3-8362-8462-2 9783836284622
Inhaltsverzeichnis:	Jetzt downloaden
Vorwort:	Jetzt downloaden
Leseprobe:	Jetzt downloaden

Inhaltsverzeichnis

Vorwort

Leseprobe

Der ideale Einstieg in Data Science! Ob Sie Mathematikkenntnisse mitbringen oder nicht, hier bekommen Sie alles, was Sie für eigene Data-Science-Projekte brauchen. Mit genau so viel Theorie, wie Sie es für die Praxis brauchen, lernen Sie, wie die wichtigsten Methoden angewendet werden. Neben R bekommen Sie dabei auch Best Practices und Werkzeuge für alle Projektphasen an die Hand.

Blick ins Buch: Data Science in der Praxis

Alles für den einfachen Einstieg in Data Science

Erste Schritte in R

Analyseverfahren verstehen

Erfolg in allen Projektphasen

Eigene Data-Science-Projekte – so steigen Sie ein

Grundlagen und erste Schritte

Ausgewählte Statistikkonzepte, eine Einführung in R und ein Grundverständnis der einschlägigen Methoden – damit legen Sie das Fundament für erfolgreiche Data-Science-Projekte. Profitieren Sie von zahlreichen Anleitungen und Praxistipps.

Verfahren auswählen und anwenden

Hier lernen Sie Verfahren für die verschiedensten Anwendungsfälle kennen. So bauen Sie sich ein sicheres Methoden-Repertoire auf und haben immer das passende Werkzeug zur Hand.

KI und Machine Learning

KI und maschinelles Lernen sind Schlüsseltechnologien für die Analyse unstrukturierter Daten. Lernen Sie die mathematischen Verfahren kennen, mit denen Sie echte Erkenntnisse gewinnen.

Werkzeuge und mehr

Mit der Analyse allein ist es nicht getan. Freuen Sie sich auf Praxistipps zum Projektmanagement, zu Werkzeugen wie Git und zur gelungenen Kommunikation mit Stakeholdern.

Mit allen Codebeispielen zum Download

Aus dem Inhalt

Basiswissen

Statistische Grundlagen
Ablauf eines Data-Science-Projekts
Erste Schritte mit R und RStudio

Verfahren und Tools

Daten reinigen und transformieren
Lineare und nichtlineare Regression, Anomalieerkennung
Clustering, k-Means
Klassifikations-Algorithmen
Warenkorbanalyse, k-nearest Neighbours
Versionierung mit Git
Cloud-Computing, Spark-Cluster
Anwendung via API bereitstellen
Ethische Aspekte beachten

Hier das ganze Inhaltsverzeichnis lesen.

Data Science ist ein noch recht junges Feld, doch haben sich einige Best Practices durchgesetzt. Tom Alby erläutert in dieser Leseprobe, was zum Managen eines Data-Science-Projekts notwendig ist. Die Best Practices erstrecken sich von der Anforderungsanalyse über die Akquise und Daten-Reinigung und weitere Faktoren bis zum Test und Rollout eines Projekts.
In Kapitel 7 werden anschließend in einem praktischen Beispiel mittels hierarchischem Clustering Muster in Daten identifiziert, um z.B. Kundensegmente daraus abzuleiten.

Wer hat’s geschrieben?

Tom Alby beschäftigt sich seit 1994 mit dem Web und seinen Technologien. Seitdem treibt der vom Wirtschaftsmagazin brand eins als "Datenfreak" bezeichnete Digitalexperte Innovationen bei Unternehmen wie Google, Bertelsmann und BBDO voran. Zudem unterrichtet er Digital Analytics, u. a. an der Hochschule für Angewandte Wissenschaften Hamburg.