Data Science in der Praxis - Data Science in der Praxis - Eine verständliche Einführung in alle wichtigen Data-Science-Verfahren

Der ideale Einstieg in Data Science für Praktiker! Ob mit oder ohne Mathematikkenntnisse - Sie bekommen hier 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, bekommen eine Einführung in die Programmiersprache R und erfahren, wie Sie maschinelles Lernen einsetzen. 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.

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

List of contents

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

About the author

Tom Alby ist Chief Digital Transformation Officer bei dem Kreditversicherer »Euler Hermes« für Deutschland, Österreich und die Schweiz. Er unterrichtet Datenanalyse als Lehrbeauftragter an der Hochschule für Angewandte Wissenschaften Hamburg (HAW).

Summary

Der ideale Einstieg in Data Science für Praktiker! Ob mit oder ohne Mathematikkenntnisse – Sie bekommen hier 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, bekommen eine Einführung in die Programmiersprache R und erfahren, wie Sie maschinelles Lernen einsetzen. 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.

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

Additional text

»Alles in allem bietet das Buch eine gelungene Einführung in die Datenwissenschaft, die ein tieferes Verständnis der eingesetzten Verfahren ermöglicht.«

Report

»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.« iX - Magazin für professionelle Informationstechnik 202212

Product details

• Authors: Tom Alby
• Publisher: Rheinwerk Verlag
• Languages: German
• Product format: Paperback / Softback
• Released: 03.03.2022
• EAN: 9783836284622
• ISBN: 978-3-8362-8462-2
• No. of pages: 360
• Dimensions: 170 mm x 30 mm x 230 mm
• Weight: 668 g
• Subjects: Natural sciences, medicine, IT, technology > IT, data processing > Programming languages; Statistik, Data Science, REGRESSION, Datenaufbereitung, künstliche intelligenz ki, Daten aufbereiten, IT-Ausbildung, k-Means Cluster, Analyse-Methoden, Lernen Üben Workshops Kurse Seminare Tutorials, R RStudio, Modelle trainieren, Data-Science-Verfahren