Data Science in der Praxis
Description
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 Projektphasen
- Mit Anwendungsbeispielen für verschiedene Fachgebiete
- Von der Anforderungsanalyse über die Datenakquise bis zur Visualisierung
Aus dem Inhalt:
- Erste Schritte mit R und RStudio
- Grundbegriffe der Statistik
- Vorbereitung: Daten reinigen und transformieren
- k-Means Clustering
- Lineare und nichtlineare Regression
- Vorhersagen, Clustering, Klassifizierung
- Tipps und Werkzeuge für alle Projektphasen
- Ihre Anwendung als REST-API bereitstellen
- KI und Maschinelles Lernen einsetzen
- Anomalieerkennung, Warenkorbanalyse und viele weitere Anwendungsfälle
- Machine Learning: Modelle richtig trainieren
Reviews / Votes
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.More details
Other editions
Additional editions
Person
Content
Materialien zum Buch ... 13
1. Einleitung ... 15
1.1 ... Warum dieses Buch? ... 15
1.2 ... Das Zeitalter der Daten -- alles nur ein Hype? ... 16
1.3 ... Warum nun Data Science? ... 17
1.4 ... Warum Data Science mit R? ... 19
1.5 ... Für wen ist dieses Buch? ... 20
1.6 ... Kann man Data Science ohne Mathe lernen? ... 20
1.7 ... Wie Sie dieses Buch verwenden können ... 22
1.8 ... Materialien und Kontakt ... 22
1.9 ... Danksagungen ... 22
2. Machine Learning, Data Science und künstliche Intelligenz ... 25
2.1 ... Aus der Geschichte lernen -- alles nur ein Hype? ... 25
2.2 ... Begriffsdefinitionen ... 34
3. Ablauf eines Data-Science-Projekts ... 39
3.1 ... Der allgemeine Ablauf eines Data-Science-Projekts ... 39
3.2 ... Business Understanding: Welches Problem soll gelöst werden? ... 43
3.3 ... Grundsätzliche Ansätze im Machine Learning ... 47
3.4 ... Performancemessung ... 49
3.5 ... Kommunikation mit Stakeholdern ... 57
3.6 ... Aus dem Labor in die Welt: Data-Science-Applikationen in Produktion ... 58
3.7 ... Die verschiedenen Rollen in einem Data-Science-Projekt ... 59
4. Einführung in R ... 67
4.1 ... R: kostenlos, portierbar und interaktiv ... 67
4.2 ... Installation und Konfiguration von R und RStudio ... 74
4.3 ... Erste Schritte mit R ... 89
5. Explorative Datenanalyse ... 111
5.1 ... Daten: Sammlung, Reinigung und Transformation ... 112
5.2 ... Notebooks ... 117
5.3 ... Das Tidyverse ... 123
5.4 ... Datenvisualisierung ... 137
5.5 ... Datenanalyse ... 148
6. Anwendungsfall Prognosen ... 159
6.1 ... Lineare Regression ... 159
6.2 ... Anomalie-Erkennung ... 176
7. Clustering ... 185
7.1 ... Hierarchisches Clustering ... 185
7.2 ... k-Means ... 197
8. Klassifikation ... 207
8.1 ... Anwendungsfälle für eine Klassifikation ... 207
8.2 ... Trainings- und Testdaten erstellen ... 209
8.3 ... Decision Trees ... 217
8.4 ... Support Vector Machines ... 221
8.5 ... Naive Bayes ... 226
8.6 ... XG Boost: Der Newcomer ... 232
8.7 ... Klassifikation von Text ... 238
9. Weitere Anwendungsfälle ... 245
9.1 ... Warenkorbanalyse -- Association Rules ... 245
9.2 ... k-nearest Neighbours ... 254
10. Workflows und Werkzeuge ... 267
10.1 ... Versionierung mit Git ... 267
10.2 ... Mit großen Datenmengen umgehen ... 277
10.3 ... Applikationen via API bereitstellen ... 287
10.4 ... Applikationen erstellen mit Shiny ... 292
11. Ethischer Umgang mit Daten und Algorithmen ... 307
11.1 ... Datenschutz ... 307
11.2 ... Ethik: Gegen Profiling und Diskriminierung ... 317
12. Was kommt nach diesem Buch? ... 325
12.1 ... Projekte, Projekte, Projekte ... 325
12.2 ... Wer hilft Ihnen jetzt weiter? ... 329
12.3 ... RSeek ... 335
Anhang ... 337
A ... Typische Fehlermeldungen und geeignete Lösungen ... 339
B ... Glossar ... 343
C ... Literatur ... 347
Index ... 353
