
Data Science
Description
Alles über E-Books | Antworten auf Fragen rund um E-Books, Kopierschutz und Dateiformate finden Sie in unserem Info- & Hilfebereich.
More details
Other editions
Additional editions


Persons
Content
- Cover
- Über den Autor
- Titel
- Impressum
- Vorwort zur 2. Auflage
- Vorwort
- Inhaltsübersicht
- Inhaltsverzeichnis
- 1 Einleitung
- Uwe Haneke · Stephan Trahasch · Michael Zimmer · Carsten Felden
- 1.1 Von Business Intelligence zu Data Science
- 1.2 Data Science und angrenzende Gebiete
- 1.3 Vorgehen in Data-Science-Projekten
- 1.4 Struktur des Buches
- 2 (Advanced) Analytics is the new BI?
- Uwe Haneke
- 2.1 Geschichte wiederholt sich?
- 2.2 Die DIKW-Pyramide erklimmen
- 2.3 Vom Nebeneinander zum Miteinander
- 2.4 Fazit
- 3 Data Science und künstliche Intelligenz - der Schlüssel zum Erfolg?
- Marc Beierschoder · Benjamin Diemann · Michael Zimmer
- 3.1 Zwischen Euphorie und Pragmatismus
- 3.2 Wann ist Data Science und KI das Mittel der Wahl?
- 3.3 Realistische Erwartungen und klare Herausforderungen
- 3.4 Aus der Praxis
- 3.4.1 Die Automobilbranche als Beispiel
- 3.4.1.1 Machen Sie Ihren Kunden ein Angebot, das sie nicht ausschlagen können
- 3.4.1.2 Spinning the Customer Life Cycle - Schaffen Sie mehr als eine Runde?
- 3.5 Fazit
- 4 Konzeption und Entwicklung von Data-driven Products/Datenprodukten
- Christoph Tempich
- 4.1 Einleitung
- 4.2 Datenprodukte
- 4.2.1 Definition
- 4.2.2 Beispiele für Datenprodukte
- 4.2.3 Herausforderungen des Produktmanagements für Datenprodukte
- 4.3 Digitale Produktentwicklung
- 4.3.1 Produktmanagement
- 4.3.2 Agile Entwicklung
- 4.3.3 Lean Startup
- 4.3.4 Data Science
- 4.3.5 Data-centric Business Models
- 4.4 Datenprodukte definieren
- 4.4.1 Ideengenerierung für Datenprodukte entlang der Customer Journey
- 4.4.2 Value Propositions von Datenprodukten
- 4.4.3 Ziele und Messung
- 4.4.4 Die Erwartung an die Güte des Modells bestimmen
- 4.4.5 Mit dem Datenprodukt beginnen
- 4.4.6 Kontinuierliche Verbesserung mit der Datenwertschöpfungskette
- 4.4.7 Skalierung und Alleinstellungsmerkmal
- 4.5 Kritischer Erfolgsfaktor Feedbackschleife
- 4.6 Organisatorische Anforderungen
- 4.7 Technische Anforderungen
- 4.8 Fazit
- 5 Grundlegende Methoden der Data Science
- Stephan Trahasch · Carsten Felden
- 5.1 Einleitung
- 5.2 Data Understanding und Data Preparation
- 5.2.1 Explorative Datenanalyse
- 5.2.2 Transformation und Normalisierung
- 5.3 Überwachte Lernverfahren
- 5.3.1 Datenaufteilung
- 5.3.2 Bias-Variance-Tradeoff
- 5.3.3 Klassifikationsverfahren
- 5.4 Unüberwachte Lernverfahren und Clustering
- 5.5 Reinforcement Learning
- 5.5.1 Aspekte des Reinforcement Learning
- 5.5.2 Bestandteile eines Reinforcement-Learning-Systems
- 5.6 Evaluation
- 5.6.1 Ausgewählte Qualitätsmaße im Kontext von Klassifikationsaufgabenstellungen
- 5.6.2 Ausgewählte Qualitätsmaße im Kontext von Clusterungen
- 5.7 Weitere Ansätze
- 5.7.1 Deep Learning
- 5.7.2 Cognitive Computing
- 5.8 Fazit
- 6 Feature Selection
- Bianca Huber
- 6.1 Weniger ist mehr
- 6.2 Einführung in die Feature Selection
- 6.2.1 Definition
- 6.2.2 Abgrenzung
- 6.3 Ansätze der Feature Selection
- 6.3.1 Der Filter-Ansatz
- 6.3.2 Der Wrapper-Ansatz
- 6.3.3 Der Embedded-Ansatz
- 6.3.4 Vergleich der drei Ansätze
- 6.4 Feature Selection in der Praxis
- 6.4.1 Empfehlungen
- 6.4.2 Anwendungsbeispiel
- 6.5 Fazit
- 7 Deep Learning
- Klaus Dorer
- 7.1 Grundlagen neuronaler Netzwerke
- 7.1.1 Menschliches Gehirn
- 7.1.2 Modell eines Neurons
- 7.1.3 Perzeptron
- 7.1.4 Backpropagation-Netzwerke
- 7.2 Deep Convolutional Neural Networks
- 7.2.1 Convolution-Schicht
- 7.2.2 Pooling-Schicht
- 7.2.3 Fully-Connected-Schicht
- 7.3 Deep Reinforcement Learning
- 7.4 Anwendung von Deep Learning
- 7.4.1 Sweaty
- 7.4.2 AudiCup
- 7.4.3 DRL im RoboCup
- 7.4.4 Deep-Learning-Frameworks
- 7.4.5 Standarddatensätze
- 7.4.6 Standardmodelle
- 7.4.7 Weitere Anwendungen
- 7.5 Fazit
- 8 Von einer BI-Landschaft zum Data & Analytics-Ökosystem
- Michael Zimmer · Benjamin Diemann · Andreas Holzhammer
- 8.1 Einleitung
- 8.2 Komponenten analytischer Ökosysteme
- 8.3 Vom Reporting zur industrialisierten Data Science
- 8.4 Data Science und Agilität
- 8.5 Entwicklungs-, Test- und Produktionsumgebungen für Data Science
- 8.6 Vom Spielplatz für Innovation zur Serienfertigung
- 8.7 Anwendungsbeispiel
- 8.8 Fazit
- 9 Self-Service und Governance im Data-Science-Umfeld: der emanzipierte Anwender
- Uwe Haneke · Michael Zimmer
- 9.1 Einleitung
- 9.2 Self-Service-Angebote für Data & Analytics
- 9.3 Data Governance und Self-Service
- 9.4 Self-Service-Datenaufbereitung und Data Science
- 9.5 Self-Service-Datenaufbereitung vs. ETL
- 9.6 Bimodale Data & Analytics: Segen oder Fluch?
- 9.7 Entwicklungen im Self-Service-Bereich
- 9.7.1 AutoML als Data-Scientist-Ersatz?
- 9.7.2 Augmented Analytics
- 9.8 Fazit
- 10 Data Privacy
- Victoria Kayser · Damir Zubovic
- 10.1 Die Rolle von Data Privacy für Analytics und Big Data
- 10.2 Rechtliche und technische Ausgestaltung von Data Privacy
- 10.2.1 Rechtliche Bestimmungen zu Data Privacy
- 10.2.2 Technische und methodische Ansätze zur Schaffung von Data Privacy
- 10.3 Data Privacy im Kontext des Analytics Lifecycle
- 10.3.1 Ideen generieren
- 10.3.2 Prototypen entwickeln
- 10.3.3 Implementieren der Lösung
- 10.4 Diskussion und Fazit
- 11 Gespräch zur digitalen Ethik
- Matthias Haun · Gernot Meier
- Fallstudien
- 12 Customer Churn mit Keras/TensorFlow und H2O
- Shirin Glander
- 12.1 Was ist Customer Churn?
- 12.1.1 Wie kann Predictive Analytics bei dem Problem helfen?
- 12.1.2 Wie können wir Customer Churn vorhersagen?
- 12.2 Fallstudie
- 12.2.1 Der Beispieldatensatz
- 12.2.2 Vorverarbeitung der Daten
- 12.2.3 Neuronale Netze mit Keras und TensorFlow
- 12.2.4 Stacked Ensembles mit H2O
- 12.3 Bewertung der Customer-Churn-Modelle
- 12.3.1 Kosten-Nutzen-Kalkulation
- 12.3.2 Erklärbarkeit von Customer-Churn-Modellen
- 12.4 Zusammenfassung und Fazit
- 13 Wirtschaftlichkeitsbetrachtung bei der Auswahl & Entwicklung von Data Science Eine Fallstudie im Online-Lebensmitteleinzelhandel
- Nicolas March
- 13.1 Herausforderungen in der Praxis
- 13.1.1 Data-Science-Anwendungen im Online-LEH
- 13.1.2 Auswahl und Umsetzung wirtschaftlicher Anwendungsfälle
- 13.2 Fallstudie: Kaufempfehlungssysteme im Online-Lebensmitteleinzelhandel
- 13.2.1 Vorabanalysen zur Platzierung von Empfehlungen
- 13.2.2 Prototypische Entwicklung eines Empfehlungsalgorithmus
- 13.2.3 MVP und testgetriebene Entwicklung der Recommendation Engine
- 13.3 Fazit
- 14 Analytics im Onlinehandel
- Mikio Braun
- 14.1 Einleitung
- 14.2 Maschinelles Lernen: von der Uni zu Unternehmen
- 14.3 Wie arbeiten Data Scientists und Programmierer zusammen?
- 14.4 Architekturmuster, um maschinelle Lernmethoden produktiv zu nehmen
- 14.4.1 Architekturmuster des maschinellen Lernens
- 14.4.2 Architekturmuster, um Modelle auszuliefern
- 14.4.3 Datenvorverarbeitung und Feature-Extraktion
- 14.4.4 Automation und Monitoring
- 14.4.5 Integrationsmuster für maschinelles Lernen
- 14.5 Was kann man sonst auf Firmenebene tun, um Data Science zu unterstützen?
- 14.6 Fazit
- 15 Predictive Maintenance
- Marco Huber
- 15.1 Einleitung
- 15.2 Was ist Instandhaltung?
- 15.2.1 Folgen mangelhafter Instandhaltung
- 15.2.2 Wettbewerbsfähige Produktion
- 15.3 Instandhaltungsstrategien
- 15.3.1 Reaktive Instandhaltung
- 15.3.2 Vorbeugende Instandhaltung
- 15.3.3 Vorausschauende Instandhaltung (Predictive Maintenance)
- 15.4 Prozessphasen der vorausschauenden Instandhaltung
- 15.4.1 Datenerfassung und -übertragung
- 15.4.2 Datenanalyse und Vorhersage
- 15.4.2.1 Unüberwachte Verfahren
- 15.4.2.2 Überwachte Verfahren
- 15.4.3 Planung und Ausführung
- 15.5 Fallbeispiele
- 15.5.1 Heidelberger Druckmaschinen
- 15.5.2 Verschleißmessung bei einem Werkzeugmaschinenhersteller
- 15.5.3 Vorausschauende Instandhaltung in der IT
- 15.6 Fazit
- 16 Scrum in Data-Science-Projekten
- Caroline Kleist · Olaf Pier
- 16.1 Einleitung
- 16.2 Kurzüberblick Scrum
- 16.3 Data-Science-Projekte in der Praxis
- 16.4 Der Einsatz von Scrum in Data-Science-Projekten
- 16.4.1 Eigene Adaption
- 16.4.2 Realisierte Vorteile
- 16.4.3 Herausforderungen
- 16.5 Empfehlungen
- 16.6 Fazit
- 17 Der Analytics-Beitrag zu einer Added-Value-Strategie 303 am Beispiel eines Kundenkartenunternehmens
- Matthias Meyer
- 17.1 Geschäftsmodell eines Multipartnerprogramms
- 17.2 Kundenbindung und Kundenbindungsinstrumente
- 17.3 Funktionen und Services eines Multipartnerprogrammbetreibers
- 17.3.1 Funktionen
- 17.3.2 Services und Vorteile aus Nutzer- und aus Partnerperspektive
- 17.4 Konkrete Herausforderungen des betrachteten Multipartnerprogrammbetreibers
- 17.5 Added-Value-Strategie
- 17.5.1 Hintergrund und Zielsetzung
- 17.5.2 Ausgangspunkt Datenbasis
- 17.6 Pilotierung ausgewählter Analytics-Ansätze
- 17.6.1 Analytische Ansatzpunkte
- 17.6.2 Pilotierung
- 17.7 Fazit
- 18 Künstliche Intelligenz bei der Zurich Versicherung - Anwendungen und Beispiele
- Michael Zimmer · Jörg Narr · Ariane Horbach · Markus Hatterscheid
- 18.1 Herausforderungen innerhalb der Versicherungsbranche
- 18.2 KI bei der Zurich Versicherung
- 18.3 Anwendungsfälle
- 18.3.1 Analyse von Leistungsinformationen mithilfe von MedEye
- 18.3.2 Bilderkennung im Antragsprozess der Motorfahrzeugversicherung in der Schweiz
- 18.3.3 Betrugserkennung im Kfz-Bereich
- 18.3.4 Verbesserung der Kundeninteraktion und des Kundenmanagements mit den Swiss Platform for Analytical and Cognitive Enterprise (SPACE) Services
- 18.4 Fazit
- Anhang
- A Autoren
- B Abkürzungen
- C Literaturverzeichnis
- Fußnoten
- Index
System requirements
File format: PDF
Copy protection: Watermark-DRM (Digital Rights Management)
System requirements:
- Computer (Windows; MacOS X; Linux): Use the free software Adobe Reader, Adobe Digital Editions, or any other PDF viewer of your choice (see eBook Help).
- Tablet/Smartphone (Android; iOS): Install the free app Adobe Digital Editions or another reading app for eBooks, e.g., PocketBook (see eBook Help).
- E-reader: Bookeen, Kobo, Pocketbook, Sony, Tolino and many more (only limited: Kindle).
The file format PDF always displays a book page identically on any hardware. This makes PDF suitable for complex layouts such as those used in textbooks and reference books (images, tables, columns, footnotes). Unfortunately, on the small screens of e-readers or smartphones, PDFs are rather annoying, requiring too much scrolling.
This eBook uses Watermark-DRM, a „soft” copy protection. This means that there are no technical restrictions to prevent illegal distribution. However, there is a personalised watermark embedded in the eBook that can be used to identify the purchaser of the eBook in the event of misuse and to provide evidence for legal purposes.
For more information, see our eBook Help page.