Data Science
Eine praxisorientierte Einführung im Umfeld von Machine Learning, künstlicher Intelligenz und Big Data - 2., erweiterte Auflage
Published on 18. May 2020
120 pages
978-3-347-06952-7 (ISBN)
Description
Das Thema Data-Science wird häufig diskutiert. Seit der ersten Auflage dieses Buches im Jahr 2017 hat sich an diesem Trend wenig verändert. Data-Scientisten (m/w/d) erfahren eine steigende Nachfrage auf dem Job-Markt, da immer mehr Unternehmen ihre Analytics-Abteilungen auf- bzw. ausbauen und hierfür entsprechende Mitarbeiter suchen. Hier stellt sich die Frage, worin eigentlich der Tätigkeitsbereich eines Data-Scientisten besteht. Das Aufgabenfeld ist nicht eindeutig definiert und reicht über künstliche Intelligenz, Machine-Learning, Data-Mining, Python-Programmierung bis zu Big Data. Im vorliegenden Buch soll eine praxisorientierte Einführung und ein aktueller Überblick darüber gegeben werden, was Data-Science und der Beruf Data-Scientist umfassen.
More details
Other editions
Additional editions
Michael Oettinger
Data Science
Eine praxisorientierte Einführung im Umfeld von Machine Learning, künstlicher Intelligenz und Big Data - 2., erweiterte Auflage
Book
05/2020
tredition
€14.90
Shipment within 10-15 days
Michael Oettinger
Data Science
Eine praxisorientierte Einführung im Umfeld von Machine Learning, künstlicher Intelligenz und Big Data - 2., erweiterte Auflage
Book
05/2020
tredition
€24.90
Shipment within 10-15 days
Person
Michael Oettinger ist ein freiberuflicher Data-Scientist und Geschäftsführer der oetti-ds GmbH. Er berät Unternehmen in unterschiedlichen Branchen. Nach einem Studium der Betriebswirtschaft mit Schwerpunkt auf mathematischen Verfahren und Marktforschung in Augsburg und Oviedo füllte er unterschiedliche Rollen bei PwC, IBM (u. a. SPSS), Fuzzy Logix und weiteren Softwareunternehmen aus. Als Mitglied bei MENSA beschäftigt er sich sowohl mit der menschlichen als auch mit der künstlichen Intelligenz. Schwerpunkt seiner Aktivitäten ist der konkrete und pragmatische Einsatz der existierenden analytischen Modelle in der betrieblichen Praxis mit den entsprechenden Softwaretools (v. a. Python, R, SQL, KNIME, RapidMiner, PySpark, und Tensorflow).
Content
- Intro
- Titelblatt
- Urheberrechte
- Inhalt
- 1 Einleitung
- 2 Daten bereitstellen
- 2.1 Flatfiles
- 2.2 Relationale Datenbanksysteme
- 2.3 Data-Warehouse
- 2.4 NoSQL
- 2.5 Hadoop/Spark
- 2.6 Cloud-Computing
- 3 Daten analysieren
- 3.1 Programmiersprachen
- 3.2 Data-Science-Plattformen
- 3.3 Machine-Learning-Bibliotheken
- 3.4 Cloud-Angebote
- 3.5 Entscheidungshilfe für die Softwareauswahl
- 4 Verfahren der Datenanalyse
- 4.1 Begriffe
- 4.2 Datentypen und Skalentypen
- 4.3 Einordnung der Verfahren
- 4.4 Analyseverfahren - Machine-Learning-Algorithmen
- 4.5 Auswahl des richtigen Verfahrens
- 5 Vorgehensmodell für ML-Projekte
- 5.1 Vorgehensweise - Methode
- 5.2 Modell-Management
- 5.3 Deployment
- 6 Anwendungsfälle - Use-Cases
- 6.1 Use Cases nach Branchen
- 6.2 Beschreibung einzelner Use Cases
- 7 Abschluss
- 8 Informationsquellen
- Autor
- Literaturverzeichnis
- Stichwortverzeichnis
