Mehr lesen
Data Science steht derzeit wie kein anderer Begriff für die Auswertung großer Datenmengen mit analytischen Konzepten des Machine Learning oder der künstlichen Intelligenz. Nach der bewussten Wahrnehmung der Big Data und dabei insbesondere der Verfügbarmachung in Unternehmen sind Technologien und Methoden zur Auswertung dort gefordert, wo klassische Business Intelligence an ihre Grenzen stößt.
Dieses Buch bietet eine umfassende Einführung in Data Science und deren praktische Relevanz für Unternehmen. Dabei wird auch die Integration von Data Science in ein bereits bestehendes Business-Intelligence-Ökosystem thematisiert. In verschiedenen Beiträgen werden sowohl Aufgabenfelder und Methoden als auch Rollen- und Organisationsmodelle erläutert, die im Zusammenspiel mit Konzepten und Architekturen auf Data Science wirken. Neben den Grundlagen werden unter anderem folgende Themen behandelt:
- Data Science und künstliche Intelligenz
- Konzeption und Entwicklung von Data-driven Products
- Deep Learning
- Self-Service im Data-Science-Umfeld
- Data Privacy und Fragen zur digitalen Ethik
- Customer Churn mit Keras/TensorFlow und H2O
- Wirtschaftlichkeitsbetrachtung bei der Auswahl und Entwicklung von Data Science
- Predictive Maintenance
- Scrum in Data-Science-Projekten
Zahlreiche Anwendungsfälle und Praxisbeispiele geben Einblicke in die aktuellen Erfahrungen bei Data-Science-Projekten und erlauben dem Leser einen direkten Transfer in die tägliche Arbeit.
Über den Autor / die Autorin
Prof. Dr. Uwe Haneke lehrt seit 2003 an der Fakultät für Informatik und Wirtschaftsinformatik (IWI) der Hochschule Karlsruhe – Technik und Wirtschaft. Zu seinen Hauptarbeitsgebieten gehören Betriebswirtschaftslehre, Business Intelligence, Geschäftsprozessmanagement und Projektmanagement. Daneben leitet er das von ihm gegründete osbi::lab an der Hochschule Karlsruhe, wo er sich vor allem mit Fragestellungen aus den Bereichen Business Analytics, Big Data und Visualisierung beschäftigt.Prof. Dr. Stephan Trahasch ist seit 2012 an der Hochschule Offenburg Professor für betriebliche Kommunikationssysteme und IT-Sicherheit. Seine Schwerpunkte liegen in den Bereichen Data Mining, Big Data, Agile Business Intelligence. Seine Forschungsprojekte in der Forschungsgruppe Analytics und Data Science beschäftigen sich mit der praktischen Anwendung von Data Mining und Big Data Technologien in Unternehmen sowie der Weiterentwicklung von BI-Produkten um fortgeschrittene analytische Methoden.Dr. Michael Zimmer ist Senior Manager in der Service Line Analytics und Information Management bei Deloitte. Er beschäftigt sich mit der Konzeption, Einführung und Weiterentwicklung komplexer Data&Analytics Architekturen. Seine Schwerpunktthemen sind Data & Analytics Strategie sowie die Industrialisierung hybrider Analytics-Architekturen. Daneben ist Michael Zimmer Speaker, Autor und Herausgeber zu diversen Publikationen zum Thema agile BI und digitiale Agilität.Prof. Dr. Carsten Felden ist Universitätsprofessor an der TU Bergakademie Freiberg in Sachsen. Dabei hat er die Professur für ABWL, insbesondere Informationswirtschaft/Wirtschaftsinformatik inne. In der Lehre fokussiert Prof. Dr. Felden auf Business Intelligence und Predictive Analytics. Zentrale Forschungsthemen sind Arbeiten im Bereich der Analytics, des Data Warehousing, der Prozessanalyse, der XBRL und Analysen in IT-Reifegradmodellen. Er ist Vorstandsvorsitzender des TDWI Deutschland e.V.
Zusammenfassung
Data Science steht derzeit wie kein anderer Begriff für die Auswertung großer Datenmengen mit analytischen Konzepten des Machine Learning oder der künstlichen Intelligenz. Nach der bewussten Wahrnehmung der Big Data und dabei insbesondere der Verfügbarmachung in Unternehmen sind Technologien und Methoden zur Auswertung dort gefordert, wo klassische Business Intelligence an ihre Grenzen stößt.
Dieses Buch bietet eine umfassende Einführung in Data Science und deren praktische Relevanz für Unternehmen. Dabei wird auch die Integration von Data Science in ein bereits bestehendes Business-Intelligence-Ökosystem thematisiert. In verschiedenen Beiträgen werden sowohl Aufgabenfelder und Methoden als auch Rollen- und Organisationsmodelle erläutert, die im Zusammenspiel mit Konzepten und Architekturen auf Data Science wirken. Neben den Grundlagen werden unter anderem folgende Themen behandelt:
- Data Science und künstliche Intelligenz
- Konzeption und Entwicklung von Data-driven Products
- Deep Learning
- Self-Service im Data-Science-Umfeld
- Data Privacy und Fragen zur digitalen Ethik
- Customer Churn mit Keras/TensorFlow und H2O
- Wirtschaftlichkeitsbetrachtung bei der Auswahl und Entwicklung von Data Science
- Predictive Maintenance
- Scrum in Data-Science-Projekten
Zahlreiche Anwendungsfälle und Praxisbeispiele geben Einblicke in die aktuellen Erfahrungen bei Data-Science-Projekten und erlauben dem Leser einen direkten Transfer in die tägliche Arbeit.
