Data Science für Dummies. (2016)

• Record Type: Book
• Further Information: Note: Lillian Pierson.
• Authors: Pierson, Lillian
• Contents: Über die Autorin 7 Vorwort 21 Einleitung 23 Über dieses Buch 23 Törichte Annahmen 24 In diesem Buch verwendete Symbole 24 Wo Sie starten 24 Teil I Mit Data Science beginnen 25 Kapitel 1 Bei Data Science durchblicken 27 Schauen, wer von Data Science Gebrauch machen kann 27 Die Teile des Data-Science-Puzzles betrachten 29 Daten sammeln, abfragen und bearbeiten 29 Von der Mathematik und Statistik Gebrauch machen 30 Programmierung: Teil des Spiels 32 Data Science in Ihrem Fachgebiet anwenden 32 Einblicke kommunizieren 33 Die Grundlagen schaffen 33 Mögliche Vorgehensweisen klären 34 Die offensichtlichen Gewinne ermitteln 35 Kapitel 2 Data Engineering: Infrastruktur erkunden 37 Big Data definieren 37 Mit dem Datenvolumen ringen 38 Die Datengeschwindigkeit handhaben 38 Die Datenvielfalt behandeln 38 Den Datenwert erzeugen 39 Big-Data-Datenquellen bestimmen 39 Den Unterschied zwischen Data Science und Data Engineering verstehen 40 Data Science definieren 40 Data Engineering definieren 41 Ein Vergleich zwischen Data Scientists und Data Engineers 42 Datensätze mit MapReduce und Hadoop reduzieren 43 In MapReduce einarbeiten 43 Hadoop verstehen 45 Data Science für Dummies Alternative Lösungen für Probleme mit Big Data betrachten 47 Die Echtzeitverarbeitung einführen 47 Massenparallelrechner verwenden 48 In NoSQL-Datenbanken einarbeiten 48 Data Engineering im Einsatz – Eine Fallstudie 49 Die Geschäftsherausforderung erkennen 49 Geschäftsprobleme mit Data Engineering lösen 51 Erfolge aufweisen 51 Kapitel 3 Data Science in Unternehmen und Industrie einsetzen 53 Datengesteuerte Einblicke in die Geschäftsabläufe einbinden 53 Von geschäftsbezogener Data Science profitieren 54 Datenanalyse zur Umwandlung von Rohdaten in umsetzbare Einsichten 54 Etwas mit den Geschäftsdaten unternehmen 57 Business Intelligence und Data Science unterscheiden 58 Business Intelligence definieren 58 Geschäftsbezogene Data Science definieren 60 Die Hauptunterschiede zwischen BI und geschäftsbezogener Data Science zusammenfassen 62 Wissen, wen man holt, um die Arbeit zu erledigen 63 Data Science im Geschäftsleben: Eine datengesteuerte Erfolgsgeschichte 64 Teil II Die Bedeutung Ihrer Daten mit Data Science erkennen 67 Kapitel 4 Wahrscheinlichkeit und Statistik einführen 69 Die grundlegenden Konzepte der Wahrscheinlichkeit vorstellen 69 Die Beziehung zwischen Wahrscheinlichkeit und induktiver Statistik 70 Zufallsvariablen, Wahrscheinlichkeitsverteilungen und Erwartungswerte verstehen 71 Gängige Wahrscheinlichkeitsverteilungen kennenlernen 73 Die lineare Regression einführen 75 Einfache Modelle zur linearen Regression 75 Lernen, eine angepasste Regressionsgerade zu erstellen 77 Die Methode der kleinsten Quadrate 79 Simulationen 80 Mit Simulationen Eigenschaften von Testgrößen beurteilen 84 Mit der Monte-Carlo-Simulation einen Schätzwert beurteilen 86 Die Zeitreihenanalyse einführen 88 Muster in Zeitreihen verstehen 88 Die univariate Varianzanalyse modellieren 88 Kapitel 5 Clustering-Verfahren und Klassifikation 93 Die Grundlagen von Cluster-Verfahren und Klassifikation einführen 93 Clustering-Algorithmen kennenlernen 94 Klassifikations-Algorithmen kennenlernen 96 Metriken kennenlernen 99 Cluster in Ihren Daten erkennen 99 Mit dem k-Means-Algorithmus Clusteranalyse betreiben 100 Cluster mit der Kerndichteschätzung abschätzen 101 Hierarchische Algorithmen und Algorithmen zur sortiertenNachbarschaft einsetzen 101 Daten mit Entscheidungsbäumen und Random-Forest-Algorithmen kategorisieren 104 Kapitel 6 Clusteranalyse und Klassifikation mit Nearest-Neighbor-Verfahren 107 Die Bedeutung der Daten mit Nearest-Neighbor-Analysen erkennen 107 Die Wichtigkeit der Clusteranalyse und der Klassifikation erkennen 108 Daten mit Gemittelter-Nearest-Neighbor-Algorithmen klassifizieren 109 Verstehen, wie der Gemittelter-Nearest-Neighbor-Algorithmus funktioniert 110 Die Klassifikation mit k-Nearest-Neighbor-Algorithmen 113 Die Arbeitsweise des k-Nearest-Neighbor-Verfahrens verstehen 114 Wissen, wann man den k-Nearest-Neighbor-Algorithmus einsetzt 115 Gängige Anwendungen von k-Nearest-Neighbor-Algorithmen erkunden 116 Mit den Abständen der nächstenNachbarn Schlussfolgerungen aus Datenpunkt-Mustern ziehen 116 Probleme der realen Welt mit Nearest-Neighbor-Algorithmen lösen 117 k-Nearest-Neighbor-Algorithmen im Einsatz erleben 117 Gemittelter-Nearest-Neighbor-Algorithmen im Einsatz erleben 118 Kapitel 7 Mathematische Modellierung in der Datenwissenschaft 119 Die multikriterielle Entscheidungsanalyse (MCA) einführen 119 Die MCA im Einsatz betrachten und verstehen 120 Die Fuzzy-MCA anwenden 121 Wissen, wann und wie man die multikriterielle Entscheidungsanalyse einsetzt 123 Die Verwendung von numerischen Methoden in der Data Science 126 Über Taylorpolynome 127 Mit der Bisektion Funktionen halbieren 128 Mathematische Modellierung mit Markov-Ketten und stochastischen Methoden 130 Kapitel 8 Mit der Statistik Geodaten modellieren 133 Oberflächen aus Raumpunktdaten vorhersagen 133 Die Parameter x, y und z bei Geodaten verstehen 134 Kriging einführen 135 Automatische Kriging-Interpolationen 136 Modelle zur explizit definierten Kriging-Interpolation wählen und verwenden 136 Sich intensiver mit dem Kriging beschäftigen 138 Das beste Schätzverfahren beim Kriging wählen 142 Zur Bestimmung des besten Modells das Residuum untersuchen 143 Ihre Wahlmöglichkeiten bei Kriging-Verfahren kennen 146 Trendanalyse von Oberflächen 146 Teil III Datenvisualisierungen mit klaren Aussagen 147 Kapitel 9 Den Prinzipien der Datenvisualisierung entsprechen 149 Die Arten der Visualisierung verstehen 149 Entscheidungsträgern die Geschichte hinter den Daten erzählen 150 Daten für Analytiker zur Geltung bringen 150 Datenkunst für Aktivisten 150 Ihre Zielgruppe in den Blick nehmen 151 Schritt 1: Ideenfindung für Steffi 151 Schritt 2: Bestimmen Sie Ihr Ziel 152 Schritt 3: Die für Ihr Ziel zweckmäßigste Visualisierungsart wählen 153 Das zweckmäßigste Design wählen 153 Mit dem Design eine analysierende und präzise Reaktion hervorrufen 154 Mit dem Design eine stark emotionale Reaktion hervorrufen 154 Wissen, wann man einen Zusammenhang darstellen muss 156 Daten verwenden, um Zusammenhänge herzustellen 156 Sinnzusammenhänge über Beschriftung herstellen 156 Grafische Elemente zur Herstellung von Sinnzusammenhängen verwenden 157 Wissen, wann man überzeugen muss 157 Eine passende Art von Grafik wählen 158 Standarddiagramme erklären 159 Vergleichende Grafiken erkunden 161 Statistische Diagramme erkunden 165 Topologische Strukturen erkunden 167 Räumliche Darstellungen und Karten erkunden 169 Ihre Grafik auswählen 171 Betrachten der Fragen 172 Berücksichtigung der Nutzer und der Medien 172 Einen letzten Blick auf die Arbeit werfen 172 Kapitel 10 D3.js zur Visualisierung von Daten verwenden 173 Einführung in die Bibliothek D3.js 173 Wissen, wann man D3.js verwenden sollte (und wann nicht) 174 Der Einstieg in D3.js 175 HTML und DOM einführen 176 JavaScript und SVG einführen 177 Cascading Style Sheets (CSS) einführen 178 Webserver und PHP einführen 178 Fortgeschrittene Konzepte und Methoden
• Publisher Details: Weiheim : Wiley-VCH
• Publication Date: 2016
• Extent: 1 online resource
• Subjects: 004; Information technology; Information retrieval; Databases; Data mining; COMPUTERS / Computer Literacy; COMPUTERS / Computer Science; COMPUTERS / Data Processing; COMPUTERS / Hardware / General; COMPUTERS / Information Technology; COMPUTERS / Machine Theory; COMPUTERS / Reference; Data mining; Databases; Information retrieval; Information technology; Algorithmus; Datenstruktur; Data Mining; Electronic books
• Languages: German
• ISBNs: 9783527806751
• Related ISBNs: 352780675X; 9783527712076
• Notes: Note: Online resource; title from PDF title page (EBSCO, viewed May 20, 2016).
• Access Rights: Legal Deposit; Only available on premises controlled by the deposit library and to one user at any one time; The Legal Deposit Libraries (Non-Print Works) Regulations (UK).
• Access Usage: Restricted: Printing from this resource is governed by The Legal Deposit Libraries (Non-Print Works) Regulations (UK) and UK copyright law currently in force.