Data-Science-Crashkurs : Eine interaktive und praktische Einführung.

Format:

Book

Author/Creator:

Herbold, Steffen.

Language:

German

Subjects (All):

Data mining.

Big data.

Physical Description:

1 online resource (346 pages)

Place of Publication:

Heidelberg : Dpunkt.verlag, 2022.

Summary:

Dieses Buch bietet einen praxisnahen Einstieg in Data Science, angereichert mit interaktiven Elementen, der die Breite der Mg̲lichkeiten der Datenanalyse aufzeigt und tief genug geht, um Vorteile, Nachteile und Risiken zu verstehen, aber dennoch nicht zu tief in die zugrunde liegende Mathematik einsteigt. Es wird nicht nur erklr̃t, wofür wichtige Begriffe wie Big Data, machinelles Lernen oder Klassifikation stehen, sondern auch anschaulich mit zahlreichen Beispielen aufgezeigt, wie Daten analysiert werden. Ein breiter Überblick über Analysemethoden vermittelt das nt̲ige Wissen, um in eigenen Projekten geeignete Methoden auszuwh̃len und anzuwenden, um das gewünschte Ergebnis zu erreichen. Der bent̲igte Python-Quelltext, der z.B. zur Durchführung von Analysen oder zur Erstellung von Visualisierungen verwendet wird, ist in Form von Jupyter-Notebooks frei verfügbar.

Contents:

Intro

Inhaltsverzeichnis

Vorwort

Inhaltsübersicht

1 Big Data und Data Science

1.1 Einführung in Big Data

1.1.1 Volumen

Abb. 1-1 Wachstum des Datenvolumens im Internetverkehr

1.1.2 Velocity/Geschwindigkeit

1.1.3 Variety/Vielfalt

Abb. 1-2 Datenpyramide

1.1.4 Innovative Informationsverarbeitungsmethoden

1.1.5 Wissen generieren, Entscheidungen treffen, Prozesse automatisieren

1.1.6 Noch mehr Vs

1.2 Einführung in Data Science

1.2.1 Was gehört zu Data Science?

1.2.2 Beispielanwendungen

1.3 Fähigkeiten von Data Scientists

2 Der Prozess von Data-Science-Projekten

Abb. 2-1 Beziehung von Menschen, Techniken und Prozessen

2.1 Der generische Data-Science-Prozess

Abb. 2-2 Überblick über den generellen Prozess von Data-Science-Projekten

2.1.1 Discovery

2.1.2 Datenvorbereitung

2.1.3 Modellplanung

Abb. 2-3 Vergleich der Güte zweier fiktiver Modelle, bezogen auf die Datengröße

2.1.4 Modellerstellung

2.1.5 Kommunikation der Ergebnisse

2.1.6 Operationalisierung

2.2 Rollen in Data-Science-Projekten

2.2.1 Anwenderin

2.2.2 Projektsponsorin

2.2.3 Projektmanagerin

2.2.4 Dateningenieurin

2.2.5 Datenbankadministratorin

2.2.6 Data Scientist

2.3 Deliverables

2.3.1 Sponsorenpräsentation

2.3.2 Analystenpräsentation

2.3.3 Quelltext

2.3.4 Technische Spezifikation

2.3.5 Daten

3 Allgemeines zur Datenanalyse

3.1 Das No-free-Lunch-Theorem

3.2 Definition von maschinellem Lernen

3.3 Merkmale

Abb. 3-1 Bild von einem Wal

Tab. 3-1 Skalen für Merkmale

3.4 Trainings- und Testdaten

Tab. 3-2 Beispiel für Instanzen von Objekten mit ihren Merkmalen

Tab. 3-3 Beispiel für Instanzen von Objekten mit ihren Merkmalen und Werten von Interesse. Diese werden häufig auch als Label bezeichnet.

Abb. 3-2 Verwendung von Daten zur Kreuzvalidierung

3.5 Kategorien von Algorithmen

3.6 Übung

Laden von CSV-Daten

Entfernen von Merkmalen

Entfernen von Instanzen mit fehlenden Werten

Rechnen mit Dataframes

Zusammenfügen von Dataframes

Auswahl von Teilmengen

4 Erkunden der Daten

4.1 Texteditoren und die Kommandozeile

4.2 Deskriptive Statistik

4.2.1 Lagemaße

4.2.2 Variabilität

4.2.3 Datenbereich

4.3 Visualisierung

4.3.1 Anscombes Quartett

Tab. 4-1 Anscombes Quartett

4.3.2 Einzelne Merkmale

4.3.3 Beziehungen zwischen Merkmalen

4.3.4 Scatterplots für hochdimensionale Daten

4.3.5 Zeitliche Trends

4.4 Übung

Deskriptive Statistiken

Visualisierungen einzelner Merkmale

Paarweise Beziehungen

5 Assoziationsregeln

Abb. 5-1 Warenkörbe als Beispiel für Assoziationen

Abb. 5-2 Konzept der Assoziationsanalyse

5.1 Der Apriori-Algorithmus

5.1.1 Support und Frequent Itemsets

5.1.2 Ableiten von Regeln

5.1.3 Confidence, Lift und Leverage

5.1.4 Exponentielles Wachstum

Notes:

OCLC-licensed vendor bibliographic record.

5.1.5 Die Apriori-Eigenschaft.

ISBN:

9781098130343

1098130340

OCLC:

1292359928