UEber den Autor 5
Einfuehrung 13
1 Alles, was Sie jemals ueber Tabellenkalkulationen wissen wollen, sich aber nicht zu fragen getraut haben 23
1.1 Beispieldaten 24
1.2 Sich schnell mit der Steuerungstaste bewegen 25
1.3 Formeln und Daten schnell kopieren 26
1.4 Zellen formatieren 28
1.5 Inhalte einfuegen 29
1.6 Diagramme hinzufuegen 30
1.7 Die Menues >>Suchen<< und >>Ersetzen<< 32
1.8 Formeln fuer das Auf;;nden und Entnehmen von Werten 32
1.9 SVERWEIS verwenden, um Daten zusammenzufuehren 34
1.10 Filtern und sortieren 35
1.11 Pivot-Tabellen verwenden 39
1.12 Array-Formeln verwenden 42
1.13 Probleme mit dem Solver loesen 44
1.14 OpenSolver: Ich wuenschte, wir wuerden ihn nicht benoetigen. Dem ist aber nicht so 50
1.15 Zusammenfassung 51
2 Clusteranalyse Teil I: Die Kundenbasis mit k-Means aufteilen 53
2.1 Maedchen tanzen mit Maedchen, und Jungens kratzen sich am Kopf 55
2.2 Es wird ernst: k-Means-Clusterbildung bei Abonnenten eines E-Mail-Marketings 60
2.2.1 Joey Bag O' Donuts Weinhandel 60
2.2.2 Die Ausgangsdaten 61
2.2.3 Festlegen, was zu bewerten ist 62
2.2.4 Mit vier Clustern beginnen 65
2.2.5 Euklidischer Abstand: Abstandsmessung auf kuerzestem Weg 67
2.2.6 Abstaende und Clusterzuweisungen fuer jedermann 69
2.2.7 Clusterzentren bestimmen 71
2.2.8 Aus den Ergebnissen schlau werden 74
2.2.9 Die Top-Verkaeufe je Cluster erhalten 75
2.2.10 Die Silhouette: Ein guter Weg, um es unterschiedliche k-Werte unter sich ausfechten zu lassen 79
2.2.11 Was halten Sie von fuenf Clustern? 87
2.2.12 Eine Loesung fuer fuenf Cluster 88
2.2.13 Die Top-Verkaeufe der fuenf Cluster erhalten 89
2.2.14 Die Silhouette fuer die 5-Means-Clusterbildung berechnen 92
2.3 K-Medians-Clusterbildung und asymmetrische Abstandsmessungen 93
2.3.1 Die k-Medians-Clusterbildung 94
2.3.2 Eine geeignetere Abstandsmetrik erhalten 94
2.3.3 Bringen Sie das alles in Excel unter 97
2.3.4 Die Top-Verkaeufe der 5-Medians-Cluster 98
2.4 Zusammenfassung 102
3 Naives Bayes und wie unglaublich leicht es ist, ein Idiot zu sein 105
3.1 Wenn Sie ein Produkt >>Mandrill<< nennen, erhalten Sie Signale und Nebengeraeusche 105
3.2 Die kuerzeste Einfuehrung in die Wahrscheinlichkeitsrechnung der Welt 108
3.2.1 Bedingte Wahrscheinlichkeiten summieren 108
3.2.2 Die Verbundwahrscheinlichkeit, die Kettenregel und die Unabhaengigkeit 109
3.2.3 Was geschieht in einer abhaengigen Situation? 110
3.2.4 Die Bayes-Regel 110
3.3 Die Bayes-Regel verwenden, um ein KI-Modell zu erstellen 111
3.3.1 Klassenwahrscheinlichkeiten auf hohem Niveau werden oft miteinander gleichgesetzt 113
3.3.2 Und noch ein paar Kleinigkeiten 114
3.4 Auf geht's mit Excel 116
3.4.1 Fuer die Sache irrelevante Interpunktion entfernen 117
3.4.2 An Leerzeichen auftrennen 118
3.4.3 Token zaehlen und Wahrscheinlichkeiten berechnen 122
3.4.4 Wir haben ein Modell! Nutzen wir es! 124
3.5 Zusammenfassung 130
4 Optimierungsmodellierung: Weil der >>frisch gepresste<< Orangensaft sich nicht selbst herstellt 133
4.1 Warum sollten Data Scientists wissen, was Optimierung bedeutet? 134
4.2 Mit einem einfachen Zielkon;;ikt geht es los 135
4.2.1 Das Problem als Polytop darstellen 136
4.2.2 Loesen durch Verschieben der Niveaumenge 139
4.2.3 Das Simplex-Verfahren: in den Ecken herumstoebern 140
4.2.4 Mit Excel arbeiten 141
4.2.5 Am Ende dieses Kapitels wartet ein Monster 152
4.3 Frisch vom Baum in Ihr Glas ... mit einem kurzen Boxenstopp furs Mischen 153
4.3.1 Sie verwenden fuer das Mischen ein Modell 154
4.3.2 Beginnen wir mit ein paar Spezi;;kationen 154
4.3.3 Zurueck zum gleichbleibenden Geschmack 156
4.3.4 Die Daten in Excel eintragen 157
4.3.5 Das Problem in Solver eingeben 161
4.3.6 Die Standards herabsetzen 163
4.3.7 Ein totes Eichhoernchen loswerden: der Minimax-Ansatz 167
4.3.8 Wenn-Dann- und die Big-M-Bedingung 169
4.3.9 Variablen vervielfachen: das Volumen bis auf 11 hochtreiben 174
4.4 Modellierungsrisiko 182
4.4.1 Normal verteilte Daten 183
4.5 Zusammenfassung 192
5 Clusteranalyse Teil II: Netzwerkdiagramme und die Entdeckung der Community 195
5.1 Was ist ein Netzwerkdiagramm? 196
5.2 Einen einfachen Graphen darstellen 197
5.3 Eine kurze Einfuehrung in Gephi 200
5.3.1 Die Installation von Gephi und die Vorbereitung der Dateien 201
5.3.2 Den Graphen gestalten 203
5.3.3 Rangfolge von Knoten 205
5.3.4 Drucken 208
5.3.5 Dem Graphen an die Daten gehen 209
5.4 Aus den Daten des Weinhandels einen Graphen bilden 210
5.4.1 Eine Kosinus-AEhnlichkeitsmatrix erstellen 213
5.4.2 Einen r-Nachbarschaftsgraphen entwickeln 216
5.5 Wie viel ist eine Kante wert? Normale Punkte und Penaltys bei der Modularitaet von Graphen 221
5.5.1 Was ist ein Punkt und woraus besteht ein Penalty? 221
5.5.2 Das Arbeitsblatt fuer die Bewertungen einrichten 225
5.6 Lassen Sie uns Cluster bilden! 227
5.6.1 Aufteilung Nummer 1 228
5.6.2 Aufteilung 2: Electric Boogaloo 234
5.6.3 Und ... Aufteilung 3: Aufteilung mit Vergeltung 236
5.6.4 Die Communitys decodieren und analysieren 237
5.7 Einmal hin und wieder zurueck: eine Gephi-Tabelle 242
5.8 Zusammenfassung 247
6 Der Grossvater der betreuten kuenstlichen Intelligenz - die Regression 249
6.1 He, was bist du? Schwanger? 249
6.2 Machen Sie sich nicht selbst verrueckt 250
6.3 Die Schwangerschaft von Kundinnen bei RetailMart mithilfe der linearen Regression vorhersagen 251
6.3.1 Welche Funktionen benoetigt werden 252
6.3.2 Die Trainingsdaten zusammenstellen 253
6.3.3 Dummy-Variablen erzeugen 255
6.3.4 Backen wir uns unsere eigene lineare Regression 258
6.3.5 Statistiken und lineare Regression: R-Quadrat, F-Test und t-Tests 268
6.3.6 Vorhersagen anhand neuer Daten taetigen und die Leistungsfaehigkeit messen 279
6.4 Mit einer logistischen Regression Schwangerschaften in Kundenhaushalten vorhersagen 290
6.4.1 Als Erstes benoetigen Sie eine Verknuepfungsfunktion 290
6.4.2 Die logistische Funktion einbinden und alles neu optimieren 292
6.4.3 Eine echte logistische Regression zusammenbauen 294
6.4.4 Modellauswahl - die Leistungsfaehigkeit des linearen mit der des logistischen Modells vergleichen 297
6.5 Wenn Sie mehr wissen wollen 300
6.6 Zusammenfassung 301
7 Ensemble-Modelle: eine Menge mieser Pizza 303
7.1 Die Daten aus Kapitel 6 verwenden 304
7.2 Bagging: zufaellig anordnen, trainieren, wiederholen 306
7.2.1 Decision Stump ist keine sehr sexy Bezeichnung fuer eine bloede Vorhersage 307
7.2.2 Das sieht fuer mich gar nicht mal so dumm aus! 308
7.2.3 Das Modell untersuchen 319
7.3 Boosting: Wenn das Ergebnis falsch ist, verstaerken Sie es und versuchen es auf ein Neues 324
7.3.1 Das Modell trainieren - jedes Merkmal wird angesprochen 325
7.3.2 Das verstaerkte Modell auswerten 333
7.4 Zusammenfassung 337
8 Prognosen: Atmen Sie tief durch, Sie koennen nicht gewinnen 339
8.1 Der Handel mit Schwertern stottert 340
8.2 Mit Zeitreihen vertraut werden 341
8.3 Langsam Fahrt aufnehmen mit einer einfachen exponentiellen Glaettung 343
8.3.1 Prognosen mit der einfachen exponentiellen Glaettung einrichten 346
8.4 Es koennte ein Trend vorliegen 351
8.5 Die lineare exponentielle Glaettung nach Holt 355
8.5.1 Die lineare exponentielle Glaettung nach Holt in einem Arbeitsblatt einrichten 356
8.5.2 Sind Sie nun fertig? Einen Blick auf Autokorrelationen werfen 362
8.6 Die multiplikative Glaettung nach Holt-Winters 369
8.6.1 Die Anfangswerte fuer Niveau, Trend und Saisonabhaengigkeit festlegen 371
8.6.2 Die Prognose ins Rollen bringen 376
8.6.3 Optimieren! 381
8.6.4 Bestaetigen Sie mir jetzt bitte, dass wir fertig sind 383
8.6.5 Um die Prognose einen Vorhersagebereich legen 383
8.6.6 Fuer die Galerie: Ein Fan-Chart anlegen 388
8.7 Zusammenfassung 390
9 Die Entdeckung von Ausreissern: Nur weil sie sonderbar sind, heisst das nicht, dass sie auch unwichtig sind 393
9.1 Auch Ausreisser sind nur (schlechte?) Menschen 394
9.2 Der faszinierende Fall von Hadlum gegen Hadlum 395
9.2.1 Tukey-Begrenzungen 396
9.2.2 Tukey-Begrenzungen in einem Arbeitsblatt anwenden 397
9.2.3 Die Grenzen dieser einfachen Vorgehensweise 399
9.3 In nichts wirklich schlecht, aber auch nirgends wirklich gut 401
9.3.1 Daten fuer einen Graphen vorbereiten 402
9.3.2 Einen Graphen erstellen 405
9.3.3 Die k naechsten Nachbarn erhalten 407
9.3.4 Methode 1 zum Entdecken von Ausreissern in einem Graphen: Verwenden Sie einfach den Indegree 408
9.3.5 Methode 2 zum Entdecken von Ausreissern in einem Graphen: Differenzierte Ergebnisse mit k-Abstand erhalten 412
9.3.6 Methode 3 zum Entdecken von Ausreissern in einem Graphen: Local Outlier Factors sind dort, wo die Musik spielt 414
9.4 Zusammenfassung 419
10 Von der Tabellenkalkulation zu R wechseln 421
10.1 Mit R loslegen .422
10.1.1 Ein paar einfache Fingeruebungen 423
10.1.2 Daten in R einlesen 431
10.2 Sich aktiv mit Data Science beschaeftigen 433
10.2.1 Ein paar Zeilen sphaerisches k-Means fuer Wein-Daten 433
10.3 Mit den Schwangerschaftsdaten ein KI-Modell entwickeln 440
10.3.1 Prognosen in R taetigen 449
10.3.2 Sich um das Entdecken von Ausreissern kuemmern 454
10.4 Zusammenfassung 458
Stichwortverzeichnis 459
