Data Science für Dummies
1st Edition
Published on 14. April 2016
Book
Paperback/Softback
382 pages
978-3-527-71207-6 (ISBN)
Description
Daten, Daten, Daten? Sie haben schon Kenntnisse in Excel und Statistik, wissen aber noch nicht, wie all die Datensätze helfen sollen, bessere Entscheidungen zu treffen? Von Lillian Pierson bekommen Sie das dafür notwendige Handwerkszeug: Bauen Sie Ihre Kenntnisse in Statistik, Programmierung und Visualisierung aus. Nutzen Sie Python, R, SQL, Excel und KNIME. Zahlreiche Beispiele veranschaulichen die vorgestellten Methoden und Techniken. So können Sie die Erkenntnisse dieses Buches auf Ihre Daten übertragen und aus deren Analyse unmittelbare Schlüsse und Konsequenzen ziehen.
More details
Persons
Lillian Pierson arbeitet als Datenanalystin und Umweltingenieurin. Sie gründete die Firma Data Mania, die Inhouse-Schulungen, Onlinekurse und Workshops rund um das Thema Datenanalyse anbietet.
Content
UEber die Autorin 7 Vorwort 21
Einleitung 23
UEber dieses Buch 23
Toerichte Annahmen 24
In diesem Buch verwendete Symbole 24
Wo Sie starten 24
Teil I Mit Data Science beginnen 25
Kapitel 1 Bei Data Science durchblicken 27
Schauen, wer von Data Science Gebrauch machen kann 27
Die Teile des Data-Science-Puzzles betrachten 29
Daten sammeln, abfragen und bearbeiten 29
Von der Mathematik und Statistik Gebrauch machen 30
Programmierung: Teil des Spiels 32
Data Science in Ihrem Fachgebiet anwenden 32
Einblicke kommunizieren 33
Die Grundlagen schaffen 33
Moegliche Vorgehensweisen klaeren 34
Die offensichtlichen Gewinne ermitteln 35
Kapitel 2 Data Engineering: Infrastruktur erkunden 37
Big Data definieren 37
Mit dem Datenvolumen ringen 38
Die Datengeschwindigkeit handhaben 38
Die Datenvielfalt behandeln 38
Den Datenwert erzeugen 39
Big-Data-Datenquellen bestimmen 39
Den Unterschied zwischen Data Science und Data Engineering verstehen 40
Data Science definieren 40
Data Engineering definieren 41
Ein Vergleich zwischen Data Scientists und Data Engineers 42
Datensaetze mit MapReduce und Hadoop reduzieren 43
In MapReduce einarbeiten 43
Hadoop verstehen 45
Data Science fuer Dummies
Alternative Loesungen fuer Probleme mit Big Data betrachten 47
Die Echtzeitverarbeitung einfuehren 47
Massenparallelrechner verwenden 48
In NoSQL-Datenbanken einarbeiten 48
Data Engineering im Einsatz - Eine Fallstudie 49
Die Geschaeftsherausforderung erkennen 49
Geschaeftsprobleme mit Data Engineering loesen 51
Erfolge aufweisen 51
Kapitel 3 Data Science in Unternehmen und Industrie einsetzen 53
Datengesteuerte Einblicke in die Geschaeftsablaeufe einbinden 53
Von geschaeftsbezogener Data Science profitieren 54
Datenanalyse zur Umwandlung von Rohdaten in umsetzbare Einsichten 54
Etwas mit den Geschaeftsdaten unternehmen 57
Business Intelligence und Data Science unterscheiden 58
Business Intelligence definieren 58
Geschaeftsbezogene Data Science definieren 60
Die Hauptunterschiede zwischen BI und geschaeftsbezogener Data Science zusammenfassen 62
Wissen, wen man holt, um die Arbeit zu erledigen 63
Data Science im Geschaeftsleben: Eine datengesteuerte Erfolgsgeschichte 64
Teil II Die Bedeutung Ihrer Daten mit Data Science erkennen 67
Kapitel 4 Wahrscheinlichkeit und Statistik einfuehren 69
Die grundlegenden Konzepte der Wahrscheinlichkeit vorstellen 69
Die Beziehung zwischen Wahrscheinlichkeit und induktiver Statistik 70
Zufallsvariablen, Wahrscheinlichkeitsverteilungen und Erwartungswerte verstehen 71
Gaengige Wahrscheinlichkeitsverteilungen kennenlernen 73
Die lineare Regression einfuehren 75
Einfache Modelle zur linearen Regression 75
Lernen, eine angepasste Regressionsgerade zu erstellen 77
Die Methode der kleinsten Quadrate 79
Simulationen 80
Mit Simulationen Eigenschaften von Testgroessen beurteilen 84
Mit der Monte-Carlo-Simulation einen Schaetzwert beurteilen 86
Die Zeitreihenanalyse einfuehren 88
Muster in Zeitreihen verstehen 88
Die univariate Varianzanalyse modellieren 88
Kapitel 5 Clustering-Verfahren und Klassifikation 93
Die Grundlagen von Cluster-Verfahren und Klassifikation einfuehren 93
Clustering-Algorithmen kennenlernen 94
Klassifikations-Algorithmen kennenlernen 96
Metriken kennenlernen 99
Cluster in Ihren Daten erkennen 99
Mit dem k-Means-Algorithmus Clusteranalyse betreiben 100
Cluster mit der Kerndichteschaetzung abschaetzen 101
Hierarchische Algorithmen und Algorithmen zur sortiertenNachbarschaft
einsetzen 101
Daten mit Entscheidungsbaeumen und Random-Forest-Algorithmen kategorisieren 104
Kapitel 6 Clusteranalyse und Klassifikation mit Nearest-Neighbor-Verfahren 107
Die Bedeutung der Daten mit Nearest-Neighbor-Analysen erkennen 107
Die Wichtigkeit der Clusteranalyse und der Klassifikation erkennen 108
Daten mit Gemittelter-Nearest-Neighbor-Algorithmen klassifizieren 109
Verstehen, wie der Gemittelter-Nearest-Neighbor-Algorithmus funktioniert 110
Die Klassifikation mit k-Nearest-Neighbor-Algorithmen 113
Die Arbeitsweise des k-Nearest-Neighbor-Verfahrens verstehen 114
Wissen, wann man den k-Nearest-Neighbor-Algorithmus einsetzt 115
Gaengige Anwendungen von k-Nearest-Neighbor-Algorithmen erkunden 116
Mit den Abstaenden der naechstenNachbarn Schlussfolgerungen aus Datenpunkt-Mustern ziehen 116
Probleme der realen Welt mit Nearest-Neighbor-Algorithmen loesen 117
k-Nearest-Neighbor-Algorithmen im Einsatz erleben 117
Gemittelter-Nearest-Neighbor-Algorithmen im Einsatz erleben 118
Kapitel 7 Mathematische Modellierung in der Datenwissenschaft 119
Die multikriterielle Entscheidungsanalyse (MCA) einfuehren 119
Die MCA im Einsatz betrachten und verstehen 120
Die Fuzzy-MCA anwenden 121
Wissen, wann und wie man die multikriterielle Entscheidungsanalyse einsetzt 123
Die Verwendung von numerischen Methoden in der Data Science 126
UEber Taylorpolynome 127
Mit der Bisektion Funktionen halbieren 128
Mathematische Modellierung mit Markov-Ketten und stochastischen Methoden 130
Kapitel 8 Mit der Statistik Geodaten modellieren 133
Oberflaechen aus Raumpunktdaten vorhersagen 133
Die Parameter x, y und z bei Geodaten verstehen 134
Kriging einfuehren 135
Automatische Kriging-Interpolationen 136
Modelle zur explizit definierten Kriging-Interpolation waehlen und verwenden 136
Sich intensiver mit dem Kriging beschaeftigen 138
Das beste Schaetzverfahren beim Kriging waehlen 142
Zur Bestimmung des besten Modells das Residuum untersuchen 143
Ihre Wahlmoeglichkeiten bei Kriging-Verfahren kennen 146
Trendanalyse von Oberflaechen 146
Teil III Datenvisualisierungen mit klaren Aussagen 147
Kapitel 9 Den Prinzipien der Datenvisualisierung entsprechen 149
Die Arten der Visualisierung verstehen 149
Entscheidungstraegern die Geschichte hinter den Daten erzaehlen 150
Daten fuer Analytiker zur Geltung bringen 150
Datenkunst fuer Aktivisten 150
Ihre Zielgruppe in den Blick nehmen 151
Schritt 1: Ideenfindung fuer Steffi 151
Schritt 2: Bestimmen Sie Ihr Ziel 152
Schritt 3: Die fuer Ihr Ziel zweckmaessigste Visualisierungsart waehlen 153
Das zweckmaessigste Design waehlen 153
Mit dem Design eine analysierende und praezise Reaktion hervorrufen 154
Mit dem Design eine stark emotionale Reaktion hervorrufen 154
Wissen, wann man einen Zusammenhang darstellen muss 156
Daten verwenden, um Zusammenhaenge herzustellen 156
Sinnzusammenhaenge ueber Beschriftung herstellen 156
Grafische Elemente zur Herstellung von Sinnzusammenhaengen verwenden 157
Wissen, wann man ueberzeugen muss 157
Eine passende Art von Grafik waehlen 158
Standarddiagramme erklaeren 159
Vergleichende Grafiken erkunden 161
Statistische Diagramme erkunden 165
Topologische Strukturen erkunden 167
Raeumliche Darstellungen und Karten erkunden 169
Ihre Grafik auswaehlen 171
Betrachten der Fragen 172
Beruecksichtigung der Nutzer und der Medien 172
Einen letzten Blick auf die Arbeit werfen 172
Kapitel 10 D3.js zur Visualisierung von Daten verwenden 173
Einfuehrung in die Bibliothek D3.js 173
Wissen, wann man D3.js verwenden sollte (und wann nicht) 174
Der Einstieg in D3.js 175
HTML und DOM einfuehren 176
JavaScript und SVG einfuehren 177
Cascading Style Sheets (CSS) einfuehren 178
Webserver und PHP einfuehren 178
Fortgeschrittene Konzepte und Methoden in D3.js verstehen 179
Kettensyntax kennenlernen 182
Skalen kennenlernen 184
UEbergaenge und Interaktionen kennenlernen 185
Kapitel 11 Webbasierte Anwendungen zur Daten-Visualisierung 187
Kollaborativ genutzte Visualisierungsplattformen 188
Mit Watson Analytics von IBM arbeiten 188
Visualisieren und Kollaborieren mit Plotly 190
Geodaten mit geografischen Tools visualisieren 192
Schoene Karten mit OpenHeatMap herstellen 194
Das Erstellen von Karten und die Untersuchung von Geodaten mit CartoDB 195
Webbasierte Open-Source-Plattformen zur Datenvisualisierung 196
Mit Google Fusion Tables schoene Grafiken erstellen 197
iCharts zur webbasierten Visualisierung verwenden 198
RAW zur webbasierten Visualisierung verwenden 198
Wissen, wann man Infografiken verwendet 200
Mit Infogr.am fetzige Infografiken erstellen 201
Fetzige Grafiken mit Piktochart erstellen 202
Kapitel 12 Die besten Techniken zum Erstellen eines Dashboards 205
Sich an der Zielgruppe orientieren 206
Mit dem grossen Ganzen beginnen 206
Die Einzelheiten gut hinbekommen 207
Ihren Entwurf testen 209
Kapitel 13 Aus Geodaten Karten erstellen 211
In die Grundlagen von GIS einsteigen 211
Geodatenbanken verstehen 213
Dateiformate in GIS verstehen 213
Kartennetzentwuerfe und Koordinatensysteme verstehen 217
Geodaten analysieren 218
Geodaten abfragen 219
Buffering und Nachbarschaftsfunktionen 220
Analysen basierend auf der UEberlagerung einzelner Layer 220
Reklassifikation von Geodaten 222
Mit der Open-Source-Software QGIS arbeiten 222
Die Benutzeroberflaeche von QGIS kennenlernen 222
In QGIS einen Vektorlayer hinzufuegen 223
Anzeige der Daten in QGIS 225
Teil IV Programmieren und Data Science 231
Kapitel 14 Python fuer Data Science verwenden 233
Die grundlegenden Konzepte von Python verstehen 233
Datentypen in Python 235
Schleifen in Python verwenden 237
Funktionen und Klassen kennenlernen 238
Enge Bekanntschaft mit einigen nuetzlichen Python-Bibliotheken schliessen 241
Die Bibliothek NumPy 242
Mit SciPy vertraut werden 244
Zur Visualisierung von Daten MatPlotLib einbinden 245
Die Verwendung von Python zur Analyse von Daten - ein Beispiel 247
Python auf Mac OS und Windows installieren 247
CSV-Dateien laden 248
Einen gewichteten Mittelwert berechnen 249
Trendlinien zeichnen 252
Kapitel 15 Das frei zugaengliche R in der Data Science benutzen 255
Die grundlegenden Konzepte einfuehren 255
Die grundlegenden Begriffe in R kennenlernen 255
Tiefer in Funktionen und Operatoren eintauchen 258
Iterieren in R 262
Beobachten, wie Objekte arbeiten 264
Vorschau auf die Pakete von R 266
Einige gefragte Pakete zur statistischen Analyse 266
Visualisierung, Kartierung und grafische Darstellung in R 267
Kapitel 16 SQL in Data Science verwenden 271
Mit SQL beginnen 271
Relationale Datenbanken und SQL in den Griff bekommen 271
Datenbanken entwerfen 275
SQL und seine Funktionen in Data Science verwenden 278
SQL, R, Python und Excel in Ihre Data-Science-Strategie integrieren 278
SQL-Funktionen in Data Science verwenden 279
Kapitel 17 Anwendungssoftware fuer Data Science 285
Das Leben mit Excel vereinfachen 285
Mit Excel die Daten schnell kennenlernen 286
Umformatieren und Zusammenfassen mit Pivot-Tabellen 290
Aufgaben von Excel mit Makros automatisieren 291
KNIME zur fortgeschrittenen Analyse von Daten verwenden 293
Die Kundenabwanderung mit KNIME verringern 294
Das Beste aus Daten sozialer Netzwerke machen 294
KNIME fuer eine oekologisch gute Verwaltung verwenden 294
Teil V Probleme aus der Praxis mit Data Science loesen 295
Kapitel 18 Data Science im Journalismus verwenden 297
Die sechs Ws erklaeren 298
UEberpruefen, wer 298
UEberlegen, warum Ihr Artikel von Bedeutung ist 300
Zu dem kommen, was Sie sagen wollen 301
Wann ist der richtige Zeitpunkt? 302
UEberlegen, wo Ihre Geschichte eine Rolle spielt 303
UEberlegen, wie Sie Ihre Reportage entwickeln, formulieren und praesentieren 304
Daten fuer Ihre Reportage sammeln 305
Screen Scraping fuer Ihre Reportage nutzen 305
Alert-Dienste einsetzen 306
Die Geschichte hinter den Daten entdecken und erzaehlen 307
Aussergewoehnliche Trends und Ausreisser entdecken 307
Den Kontext untersuchen, um die Signifikanz der Daten zu verstehen 309
Die Geschichte durch Ihre Visualisierung unterstreichen 310
Fesselnde und klar umrissene Reportagen erstellen 311
Den Datenjournalismus lebendig werden lassen: Der Artikel >>Schwarze Kassen<< in der Washington Post 311
Kapitel 19 Data Science und die Umwelt miteinander verbinden 313
Modellierung der Wechselwirkung zwischen Mensch und Umwelt anhand oekologischer Intelligenz 313
Die zu loesenden Probleme betrachten 314
OEkologische Intelligenz definieren 315
Wichtige Organisationen kennenlernen, die im Bereich der oekologischen Intelligenz arbeiten 316
Mit oekologischer Intelligenz positiven Einfluss ausueben 317
Natuerliche Ressourcen im Urzustand modellieren 318
Die Modellierung von natuerlichen Ressourcen erkunden 318
Sich an Data Science versuchen 319
Modellierung natuerlicher Ressourcen zur Loesung von Umweltproblemen 319
Mit der Geostatistik Umweltbedingungen abhaengig vom Raum vorhersagen 320
Mit der vorhersagenden Geoanalyse Umweltfragen behandeln 321
Den Anteil der Data Science erlaeutern 321
Die Geostatistik zur Behandlung von Umweltthemen verwenden 322
Kapitel 20 Mit Data Science das Wachstum des E-Commerce vorantreiben 323
Daten verstehen und fuer das Wachstum des E-Commerce einsetzen 325
Optimierung der beim Internethandel verwendeten Systeme 326
Analysemethoden kennenlernen 327
Ihre Strategien ueberpruefen 331
Segmentierung und Zielgruppenansprache tragen zum Erfolg bei 334
Kapitel 21 Data Science zur Beschreibung und Vorhersage krimineller Aktivitaeten einsetzen 339
Zeitliche Analyse zur Vorhersage und Verfolgung von Verbrechen 340
Raeumliche Analyse zur Vorhersage und Verfolgung von Verbrechen 340
Die Kartografierung von Verbrechen mit GIS-Technologien 341
Einen Schritt weitergehen: Die Standortvorhersage 341
Komplexe raeumliche Statistik zum besseren Verstaendnis von Verbrechen verwenden 342
Die Probleme untersuchen, die mit der Verwendung von Data Science zur Analyse von Verbrechen verbunden sind 345
Die Grundrechte beruecksichtigen 345
Gegen technische Probleme kaempfen 346
Teil VI Der Top-Ten-Teil 349
Kapitel 22 Zehn fantastische frei zugaengliche Datenquellen 351
Sich in Data.gov vertiefen 352
Die frei zugaenglichen Daten in Kanada ausprobieren 353
Die Webseite data.gov.uk untersuchen 354
Das Datenportal fuer Deutschland kennenlernen 354
Daten der NASA kennenlernen 355
Auf die Daten der Weltbank zugreifen 356
Sich mit Knoema Data bekannt machen 357
Sich bei Quandl Data in die Schlange stellen 358
Die Exversion-Daten erkunden 359
OpenStreetMap zur Kartierung verwenden 360
Kapitel 23 Etwa zehn freie Tools und Anwendungen zur Data Science 363
Das Erstellen individualisierter webbasierter Visualisierungen mit freien R-Paketen 363
Mit RStudio glaenzen 364
rCharts zum Visualisieren verwenden 365
Mit rMaps kartieren 365
Weitere Tools zum Auslesen, Sammeln und Verarbeiten von Daten 366
Daten mit import.io extrahieren 366
Mit ImageQuilts Bilder sammeln 367
Sich Daten mit DataWrangler beschaffen 368
Weitere Tools zum Untersuchen von Daten testen 368
UEber Tableau Public reden 368
Mit Gephi vorankommen 369
Maschinelles Lernen mit WEKA 371
Weitere webbasierte Visualisierungstools testen 372
Mit Weave arbeiten 372
Die Visualisierungsangebote von Knoema testen 373
Stichwortverzeichnis 377
Einleitung 23
UEber dieses Buch 23
Toerichte Annahmen 24
In diesem Buch verwendete Symbole 24
Wo Sie starten 24
Teil I Mit Data Science beginnen 25
Kapitel 1 Bei Data Science durchblicken 27
Schauen, wer von Data Science Gebrauch machen kann 27
Die Teile des Data-Science-Puzzles betrachten 29
Daten sammeln, abfragen und bearbeiten 29
Von der Mathematik und Statistik Gebrauch machen 30
Programmierung: Teil des Spiels 32
Data Science in Ihrem Fachgebiet anwenden 32
Einblicke kommunizieren 33
Die Grundlagen schaffen 33
Moegliche Vorgehensweisen klaeren 34
Die offensichtlichen Gewinne ermitteln 35
Kapitel 2 Data Engineering: Infrastruktur erkunden 37
Big Data definieren 37
Mit dem Datenvolumen ringen 38
Die Datengeschwindigkeit handhaben 38
Die Datenvielfalt behandeln 38
Den Datenwert erzeugen 39
Big-Data-Datenquellen bestimmen 39
Den Unterschied zwischen Data Science und Data Engineering verstehen 40
Data Science definieren 40
Data Engineering definieren 41
Ein Vergleich zwischen Data Scientists und Data Engineers 42
Datensaetze mit MapReduce und Hadoop reduzieren 43
In MapReduce einarbeiten 43
Hadoop verstehen 45
Data Science fuer Dummies
Alternative Loesungen fuer Probleme mit Big Data betrachten 47
Die Echtzeitverarbeitung einfuehren 47
Massenparallelrechner verwenden 48
In NoSQL-Datenbanken einarbeiten 48
Data Engineering im Einsatz - Eine Fallstudie 49
Die Geschaeftsherausforderung erkennen 49
Geschaeftsprobleme mit Data Engineering loesen 51
Erfolge aufweisen 51
Kapitel 3 Data Science in Unternehmen und Industrie einsetzen 53
Datengesteuerte Einblicke in die Geschaeftsablaeufe einbinden 53
Von geschaeftsbezogener Data Science profitieren 54
Datenanalyse zur Umwandlung von Rohdaten in umsetzbare Einsichten 54
Etwas mit den Geschaeftsdaten unternehmen 57
Business Intelligence und Data Science unterscheiden 58
Business Intelligence definieren 58
Geschaeftsbezogene Data Science definieren 60
Die Hauptunterschiede zwischen BI und geschaeftsbezogener Data Science zusammenfassen 62
Wissen, wen man holt, um die Arbeit zu erledigen 63
Data Science im Geschaeftsleben: Eine datengesteuerte Erfolgsgeschichte 64
Teil II Die Bedeutung Ihrer Daten mit Data Science erkennen 67
Kapitel 4 Wahrscheinlichkeit und Statistik einfuehren 69
Die grundlegenden Konzepte der Wahrscheinlichkeit vorstellen 69
Die Beziehung zwischen Wahrscheinlichkeit und induktiver Statistik 70
Zufallsvariablen, Wahrscheinlichkeitsverteilungen und Erwartungswerte verstehen 71
Gaengige Wahrscheinlichkeitsverteilungen kennenlernen 73
Die lineare Regression einfuehren 75
Einfache Modelle zur linearen Regression 75
Lernen, eine angepasste Regressionsgerade zu erstellen 77
Die Methode der kleinsten Quadrate 79
Simulationen 80
Mit Simulationen Eigenschaften von Testgroessen beurteilen 84
Mit der Monte-Carlo-Simulation einen Schaetzwert beurteilen 86
Die Zeitreihenanalyse einfuehren 88
Muster in Zeitreihen verstehen 88
Die univariate Varianzanalyse modellieren 88
Kapitel 5 Clustering-Verfahren und Klassifikation 93
Die Grundlagen von Cluster-Verfahren und Klassifikation einfuehren 93
Clustering-Algorithmen kennenlernen 94
Klassifikations-Algorithmen kennenlernen 96
Metriken kennenlernen 99
Cluster in Ihren Daten erkennen 99
Mit dem k-Means-Algorithmus Clusteranalyse betreiben 100
Cluster mit der Kerndichteschaetzung abschaetzen 101
Hierarchische Algorithmen und Algorithmen zur sortiertenNachbarschaft
einsetzen 101
Daten mit Entscheidungsbaeumen und Random-Forest-Algorithmen kategorisieren 104
Kapitel 6 Clusteranalyse und Klassifikation mit Nearest-Neighbor-Verfahren 107
Die Bedeutung der Daten mit Nearest-Neighbor-Analysen erkennen 107
Die Wichtigkeit der Clusteranalyse und der Klassifikation erkennen 108
Daten mit Gemittelter-Nearest-Neighbor-Algorithmen klassifizieren 109
Verstehen, wie der Gemittelter-Nearest-Neighbor-Algorithmus funktioniert 110
Die Klassifikation mit k-Nearest-Neighbor-Algorithmen 113
Die Arbeitsweise des k-Nearest-Neighbor-Verfahrens verstehen 114
Wissen, wann man den k-Nearest-Neighbor-Algorithmus einsetzt 115
Gaengige Anwendungen von k-Nearest-Neighbor-Algorithmen erkunden 116
Mit den Abstaenden der naechstenNachbarn Schlussfolgerungen aus Datenpunkt-Mustern ziehen 116
Probleme der realen Welt mit Nearest-Neighbor-Algorithmen loesen 117
k-Nearest-Neighbor-Algorithmen im Einsatz erleben 117
Gemittelter-Nearest-Neighbor-Algorithmen im Einsatz erleben 118
Kapitel 7 Mathematische Modellierung in der Datenwissenschaft 119
Die multikriterielle Entscheidungsanalyse (MCA) einfuehren 119
Die MCA im Einsatz betrachten und verstehen 120
Die Fuzzy-MCA anwenden 121
Wissen, wann und wie man die multikriterielle Entscheidungsanalyse einsetzt 123
Die Verwendung von numerischen Methoden in der Data Science 126
UEber Taylorpolynome 127
Mit der Bisektion Funktionen halbieren 128
Mathematische Modellierung mit Markov-Ketten und stochastischen Methoden 130
Kapitel 8 Mit der Statistik Geodaten modellieren 133
Oberflaechen aus Raumpunktdaten vorhersagen 133
Die Parameter x, y und z bei Geodaten verstehen 134
Kriging einfuehren 135
Automatische Kriging-Interpolationen 136
Modelle zur explizit definierten Kriging-Interpolation waehlen und verwenden 136
Sich intensiver mit dem Kriging beschaeftigen 138
Das beste Schaetzverfahren beim Kriging waehlen 142
Zur Bestimmung des besten Modells das Residuum untersuchen 143
Ihre Wahlmoeglichkeiten bei Kriging-Verfahren kennen 146
Trendanalyse von Oberflaechen 146
Teil III Datenvisualisierungen mit klaren Aussagen 147
Kapitel 9 Den Prinzipien der Datenvisualisierung entsprechen 149
Die Arten der Visualisierung verstehen 149
Entscheidungstraegern die Geschichte hinter den Daten erzaehlen 150
Daten fuer Analytiker zur Geltung bringen 150
Datenkunst fuer Aktivisten 150
Ihre Zielgruppe in den Blick nehmen 151
Schritt 1: Ideenfindung fuer Steffi 151
Schritt 2: Bestimmen Sie Ihr Ziel 152
Schritt 3: Die fuer Ihr Ziel zweckmaessigste Visualisierungsart waehlen 153
Das zweckmaessigste Design waehlen 153
Mit dem Design eine analysierende und praezise Reaktion hervorrufen 154
Mit dem Design eine stark emotionale Reaktion hervorrufen 154
Wissen, wann man einen Zusammenhang darstellen muss 156
Daten verwenden, um Zusammenhaenge herzustellen 156
Sinnzusammenhaenge ueber Beschriftung herstellen 156
Grafische Elemente zur Herstellung von Sinnzusammenhaengen verwenden 157
Wissen, wann man ueberzeugen muss 157
Eine passende Art von Grafik waehlen 158
Standarddiagramme erklaeren 159
Vergleichende Grafiken erkunden 161
Statistische Diagramme erkunden 165
Topologische Strukturen erkunden 167
Raeumliche Darstellungen und Karten erkunden 169
Ihre Grafik auswaehlen 171
Betrachten der Fragen 172
Beruecksichtigung der Nutzer und der Medien 172
Einen letzten Blick auf die Arbeit werfen 172
Kapitel 10 D3.js zur Visualisierung von Daten verwenden 173
Einfuehrung in die Bibliothek D3.js 173
Wissen, wann man D3.js verwenden sollte (und wann nicht) 174
Der Einstieg in D3.js 175
HTML und DOM einfuehren 176
JavaScript und SVG einfuehren 177
Cascading Style Sheets (CSS) einfuehren 178
Webserver und PHP einfuehren 178
Fortgeschrittene Konzepte und Methoden in D3.js verstehen 179
Kettensyntax kennenlernen 182
Skalen kennenlernen 184
UEbergaenge und Interaktionen kennenlernen 185
Kapitel 11 Webbasierte Anwendungen zur Daten-Visualisierung 187
Kollaborativ genutzte Visualisierungsplattformen 188
Mit Watson Analytics von IBM arbeiten 188
Visualisieren und Kollaborieren mit Plotly 190
Geodaten mit geografischen Tools visualisieren 192
Schoene Karten mit OpenHeatMap herstellen 194
Das Erstellen von Karten und die Untersuchung von Geodaten mit CartoDB 195
Webbasierte Open-Source-Plattformen zur Datenvisualisierung 196
Mit Google Fusion Tables schoene Grafiken erstellen 197
iCharts zur webbasierten Visualisierung verwenden 198
RAW zur webbasierten Visualisierung verwenden 198
Wissen, wann man Infografiken verwendet 200
Mit Infogr.am fetzige Infografiken erstellen 201
Fetzige Grafiken mit Piktochart erstellen 202
Kapitel 12 Die besten Techniken zum Erstellen eines Dashboards 205
Sich an der Zielgruppe orientieren 206
Mit dem grossen Ganzen beginnen 206
Die Einzelheiten gut hinbekommen 207
Ihren Entwurf testen 209
Kapitel 13 Aus Geodaten Karten erstellen 211
In die Grundlagen von GIS einsteigen 211
Geodatenbanken verstehen 213
Dateiformate in GIS verstehen 213
Kartennetzentwuerfe und Koordinatensysteme verstehen 217
Geodaten analysieren 218
Geodaten abfragen 219
Buffering und Nachbarschaftsfunktionen 220
Analysen basierend auf der UEberlagerung einzelner Layer 220
Reklassifikation von Geodaten 222
Mit der Open-Source-Software QGIS arbeiten 222
Die Benutzeroberflaeche von QGIS kennenlernen 222
In QGIS einen Vektorlayer hinzufuegen 223
Anzeige der Daten in QGIS 225
Teil IV Programmieren und Data Science 231
Kapitel 14 Python fuer Data Science verwenden 233
Die grundlegenden Konzepte von Python verstehen 233
Datentypen in Python 235
Schleifen in Python verwenden 237
Funktionen und Klassen kennenlernen 238
Enge Bekanntschaft mit einigen nuetzlichen Python-Bibliotheken schliessen 241
Die Bibliothek NumPy 242
Mit SciPy vertraut werden 244
Zur Visualisierung von Daten MatPlotLib einbinden 245
Die Verwendung von Python zur Analyse von Daten - ein Beispiel 247
Python auf Mac OS und Windows installieren 247
CSV-Dateien laden 248
Einen gewichteten Mittelwert berechnen 249
Trendlinien zeichnen 252
Kapitel 15 Das frei zugaengliche R in der Data Science benutzen 255
Die grundlegenden Konzepte einfuehren 255
Die grundlegenden Begriffe in R kennenlernen 255
Tiefer in Funktionen und Operatoren eintauchen 258
Iterieren in R 262
Beobachten, wie Objekte arbeiten 264
Vorschau auf die Pakete von R 266
Einige gefragte Pakete zur statistischen Analyse 266
Visualisierung, Kartierung und grafische Darstellung in R 267
Kapitel 16 SQL in Data Science verwenden 271
Mit SQL beginnen 271
Relationale Datenbanken und SQL in den Griff bekommen 271
Datenbanken entwerfen 275
SQL und seine Funktionen in Data Science verwenden 278
SQL, R, Python und Excel in Ihre Data-Science-Strategie integrieren 278
SQL-Funktionen in Data Science verwenden 279
Kapitel 17 Anwendungssoftware fuer Data Science 285
Das Leben mit Excel vereinfachen 285
Mit Excel die Daten schnell kennenlernen 286
Umformatieren und Zusammenfassen mit Pivot-Tabellen 290
Aufgaben von Excel mit Makros automatisieren 291
KNIME zur fortgeschrittenen Analyse von Daten verwenden 293
Die Kundenabwanderung mit KNIME verringern 294
Das Beste aus Daten sozialer Netzwerke machen 294
KNIME fuer eine oekologisch gute Verwaltung verwenden 294
Teil V Probleme aus der Praxis mit Data Science loesen 295
Kapitel 18 Data Science im Journalismus verwenden 297
Die sechs Ws erklaeren 298
UEberpruefen, wer 298
UEberlegen, warum Ihr Artikel von Bedeutung ist 300
Zu dem kommen, was Sie sagen wollen 301
Wann ist der richtige Zeitpunkt? 302
UEberlegen, wo Ihre Geschichte eine Rolle spielt 303
UEberlegen, wie Sie Ihre Reportage entwickeln, formulieren und praesentieren 304
Daten fuer Ihre Reportage sammeln 305
Screen Scraping fuer Ihre Reportage nutzen 305
Alert-Dienste einsetzen 306
Die Geschichte hinter den Daten entdecken und erzaehlen 307
Aussergewoehnliche Trends und Ausreisser entdecken 307
Den Kontext untersuchen, um die Signifikanz der Daten zu verstehen 309
Die Geschichte durch Ihre Visualisierung unterstreichen 310
Fesselnde und klar umrissene Reportagen erstellen 311
Den Datenjournalismus lebendig werden lassen: Der Artikel >>Schwarze Kassen<< in der Washington Post 311
Kapitel 19 Data Science und die Umwelt miteinander verbinden 313
Modellierung der Wechselwirkung zwischen Mensch und Umwelt anhand oekologischer Intelligenz 313
Die zu loesenden Probleme betrachten 314
OEkologische Intelligenz definieren 315
Wichtige Organisationen kennenlernen, die im Bereich der oekologischen Intelligenz arbeiten 316
Mit oekologischer Intelligenz positiven Einfluss ausueben 317
Natuerliche Ressourcen im Urzustand modellieren 318
Die Modellierung von natuerlichen Ressourcen erkunden 318
Sich an Data Science versuchen 319
Modellierung natuerlicher Ressourcen zur Loesung von Umweltproblemen 319
Mit der Geostatistik Umweltbedingungen abhaengig vom Raum vorhersagen 320
Mit der vorhersagenden Geoanalyse Umweltfragen behandeln 321
Den Anteil der Data Science erlaeutern 321
Die Geostatistik zur Behandlung von Umweltthemen verwenden 322
Kapitel 20 Mit Data Science das Wachstum des E-Commerce vorantreiben 323
Daten verstehen und fuer das Wachstum des E-Commerce einsetzen 325
Optimierung der beim Internethandel verwendeten Systeme 326
Analysemethoden kennenlernen 327
Ihre Strategien ueberpruefen 331
Segmentierung und Zielgruppenansprache tragen zum Erfolg bei 334
Kapitel 21 Data Science zur Beschreibung und Vorhersage krimineller Aktivitaeten einsetzen 339
Zeitliche Analyse zur Vorhersage und Verfolgung von Verbrechen 340
Raeumliche Analyse zur Vorhersage und Verfolgung von Verbrechen 340
Die Kartografierung von Verbrechen mit GIS-Technologien 341
Einen Schritt weitergehen: Die Standortvorhersage 341
Komplexe raeumliche Statistik zum besseren Verstaendnis von Verbrechen verwenden 342
Die Probleme untersuchen, die mit der Verwendung von Data Science zur Analyse von Verbrechen verbunden sind 345
Die Grundrechte beruecksichtigen 345
Gegen technische Probleme kaempfen 346
Teil VI Der Top-Ten-Teil 349
Kapitel 22 Zehn fantastische frei zugaengliche Datenquellen 351
Sich in Data.gov vertiefen 352
Die frei zugaenglichen Daten in Kanada ausprobieren 353
Die Webseite data.gov.uk untersuchen 354
Das Datenportal fuer Deutschland kennenlernen 354
Daten der NASA kennenlernen 355
Auf die Daten der Weltbank zugreifen 356
Sich mit Knoema Data bekannt machen 357
Sich bei Quandl Data in die Schlange stellen 358
Die Exversion-Daten erkunden 359
OpenStreetMap zur Kartierung verwenden 360
Kapitel 23 Etwa zehn freie Tools und Anwendungen zur Data Science 363
Das Erstellen individualisierter webbasierter Visualisierungen mit freien R-Paketen 363
Mit RStudio glaenzen 364
rCharts zum Visualisieren verwenden 365
Mit rMaps kartieren 365
Weitere Tools zum Auslesen, Sammeln und Verarbeiten von Daten 366
Daten mit import.io extrahieren 366
Mit ImageQuilts Bilder sammeln 367
Sich Daten mit DataWrangler beschaffen 368
Weitere Tools zum Untersuchen von Daten testen 368
UEber Tableau Public reden 368
Mit Gephi vorankommen 369
Maschinelles Lernen mit WEKA 371
Weitere webbasierte Visualisierungstools testen 372
Mit Weave arbeiten 372
Die Visualisierungsangebote von Knoema testen 373
Stichwortverzeichnis 377