Data Science in der Praxis

Beschreibung

Der ideale Einstieg in Data Science für Praktiker!Ob mit oder ohne Mathematikkenntnisse: Hier bekommen Sie 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 und bekommen eine Einführung in die Programmiersprache R, die sich zur Datenanalyse bestens eignet. 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.Erfolgsfaktoren und Tools für alle ProjektphasenMit Anwendungsbeispielen für verschiedene Fachgebiete Von der Anforderungsanalyse über die Datenakquise bis zur Visualisierung 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
Erfolgsfaktoren und Tools für alle Projektphasen
Mit Anwendungsbeispielen für verschiedene Fachgebiete
Von der Anforderungsanalyse über die Datenakquise bis zur Visualisierung

Autor*in

Tom Alby
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).

Themen in »Data Science in der Praxis«

Data Science R RStudio Statistik k-Means Cluster Regression Data-Science-Verfahren Modelle trainieren Buch Bücher Lernen Üben Workshops Kurse Seminare Tutorials IT-Ausbildung Analyse-Methoden Daten aufbereiten Datenaufbereitung Künstliche Intelligenz KI

Stimmen zu »Data Science in der Praxis«

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.
()

Alles in allem ist dieses Buch sehr empfehlenswert und wer sich beruflich mit dem Thema beschäftigt, wird hier einen guten Einstieg finden.
()

Man kann sein Werk tatsächlich ohne Mathe-Kenntnisse produktiv nutzen. Was man wissen muss, wird erklärt. [...] Alby nimmt seine Leser bei der Hand und zeigt, was und wie es geht.
()

Alles in allem bietet das Buch eine gelungene Einführung in die Datenwissenschaft, die ein tieferes Verständnis der eingesetzten Verfahren ermöglicht.
()

Details

Link teilen