ebook ebooks e-book e-books downloaden bei MyEbooks.ch downloaden

Data Science für Unternehmen Data Mining und datenanalytisches Denken praktisch anwenden

:	Foster Provost, Tom Fawcett
:	Data Science für Unternehmen Data Mining und datenanalytisches Denken praktisch anwenden
:	MITP Verlags GmbH& Co. KG
:	9783958455474
:	1
:	CHF 26.70
:

:	Datenkommunikation, Netzwerke
:	German

:	432
:	kein Kopierschutz
:	PC/MAC/eReader/Tablet
:	PDF

Die grundlegenden Konzepte der Data Science verstehen, Wissen aus Daten ziehen und für Vorhersagen und Entscheidungen nutzen Die wichtigsten Data-Mining-Verfahren gezielt und gewinnbringend einsetzen Zahlreiche Praxisbeispiele zur Veranschaulichung Die anerkannten Data-Science-Experten Foster Provost und Tom Fawcett stellen in diesem Buch die grundlegenden Konzepte der Data Science vor, die für den effektiven Einsatz im Unternehmen von Bedeutung sind. Sie erläutern das datenanalytische Denken, das erforderlich ist, damit Sie aus Ihren gesammelten Daten nützliches Wissen und geschäftlichen Nutzen ziehen können. Sie erfahren detailliert, welche Methoden der Data Science zu hilfreichen Erkenntnissen führen, so dass auf dieser Grundlage wichtige Entscheidungsfindungen unterstützt werden können. Dieser Leitfaden hilft Ihnen dabei, die vielen zurzeit gebräuchlichen Data-Mining-Verfahren zu verstehen und gezielt und gewinnbringend anzuwenden. Sie lernen u.a., wie Sie: Data Science in Ihrem Unternehmen nutzen und damit Wettbewerbsvorteile erzielen Daten als ein strategisches Gut behandeln, in das investiert werden muss, um echten Nutzen daraus zu ziehen Geschäftliche Aufgaben datenanalytisch angehen und den Data-Mining-Prozess nutzen, um auf effiziente Weise sinnvolle Daten zu sammeln Das Buch beruht auf einem Kurs für Betriebswirtschaftler, den Provost seit rund zehn Jahren an der New York University unterrichtet, und nutzt viele Beispiele aus der Praxis, um die Konzepte zu veranschaulichen. Das Buch richtet sich an Führungskräfte und Projektmanager, die Data-Science-orientierte Projekte managen, an Entwickler, die Data-Science-Lösungen implementieren sowie an alle angehenden Data Scientists und Studenten. Aus dem Inhalt: Datenanalytisches Denken lernen Der Data-Mining-Prozess Überwachtes und unüberwachtes Data Mining Einführung in die Vorhersagemodellbildung: von der Korrelation zur überwachten Segmentierung Anhand der Daten optimale Modellparameter finden mit Verfahren wie lineare und logistische Regression sowie Support Vector Machines Prinzip und Berechnung der Ähnlichkeit Nächste-Nachbarn-Methoden und Clustering Entscheidungsanalyse I: Was ist ein gutes Modell Visualisierung der Leistung von Modellen Evidenz und Wahrscheinlichkeiten Texte repräsentieren und auswerten Entscheidungsanalyse II: Analytisches Engineering Data Science und Geschäftsstrategie

Foster Provost ist Professor an der New York University (NYU) Stern School of Business und lehrt u.a. Business Analytics und Data Science. In den letzten zehn Jahren hat Provost verschiedene erfolgreiche Unternehmen mitbegründet, die Data Science im Marketing einsetzen.

Tom Fawcett hat einen Doktortitel für Machine Learning und war mehr als zwei Jahrzehnte in verschiedenen Branchen wie GTE Laboratories, NYNEX/Verizon Labs, HP Labs in der Forschung und Entwicklung tätig. Die von ihm veröffentlichten Arbeiten zur Anwendung von Data Science (z.B. Erkennung von Betrugsfällen und Spamfilter) sind zu Standardwerken geworden.

	Cover	1
	Titel	3
	Impressum	4
	Inhaltsverzeichnis	5
	Einleitung	13
	Über die Autoren	21
	Kapitel 1: Einführung: Datenanalytisches Denken	23
	1.1 Allgegenwärtige Datenerfassungsmöglichkeiten	23
	1.2 Beispiel: Hurrikan Frances	25
	1.3 Beispiel: Vorhersage der Kundenfluktuation	26
	1.4 Data Science, Engineering und datengestützte Entscheidungsfindung	27
	1.5 Datenverarbeitung und »Big Data«	31
	1.6 Von Big Data 1.0 zu Big Data 2.0	32
	1.7 Daten und Data-Science-Fähigkeiten als strategisches Gut	33
	1.8 Datenanalytische Denkweise	36
	1.9 Dieses Buch	38
	1.10 Data Mining und Data Science	39
	1.11 In der Chemie geht es nicht um Reagenzgläser: Data Science vs. die Aufgabe des Data Scientists	40
	1.12 Zusammenfassung	41
	Kapitel 2: Geschäftliche Aufgaben und Data-Science-Lösungen	43
	2.1 Von geschäftlichen Aufgaben zum Data-Mining- Verfahren	44
	2.2 Überwachte vs. unüberwachte Verfahren	49
	2.3 Ergebnisse des Data Minings	51
	2.4 Der Data-Mining-Prozess	52
	2.4.1 Aufgabenverständnis	53
	2.4.2 Datenverständnis	54
	2.4.3 Datenaufbereitung	56
	2.4.4 Modellbildung	57
	2.4.5 Beurteilung	57
	2.4.6 Deployment	59
	2.5 Auswirkungen auf das Management des Data-Science-Teams	61
	2.6 Weitere Analyseverfahren und -Technologien	62
	2.6.1 Statistik	63
	2.6.2 Datenbankabfragen	65
	2.6.3 Data Warehouses	66
	2.6.4 Regressionsanalyse	67
	2.6.5 Machine Learning und Data Mining	67
	2.6.6 Geschäftliche Aufgaben durch diese Verfahren lösen	68
	2.7 Zusammenfassung	70
	Kapitel 3: Einführung in die Vorhersagemodellbildung: Von der Korrelation zur überwachten Segmentierung	71
	3.1 Modelle, Induktion und Vorhersage	73
	3.2 Überwachte Segmentierung	77
	3.2.1 Auswahl informativer Merkmale	78
	3.2.2 Beispiel: Merkmalsauswahl anhand des Informationsgewinns	86
	3.2.3 Überwachte Segmentierung mit Baumstrukturmodellen	92
	3.3 Segmentierungen visualisieren	98
	3.4 Bäume als Regelsätze	100
	3.5 Wahrscheinlichkeitsabschätzung	101
	3.6 Beispiel: Abwanderungsrate per Entscheidungsbaum ermitteln	104
	3.7 Zusammenfassung	108
	Kapitel 4: Ein Modell an Daten anpassen	111
	4.1 Klassifizierung via mathematischer Funktionen	113
	4.1.1 Lineare Diskriminanzfunktion	115
	4.1.2 Optimieren der Zielfunktion	118
	4.1.3 Beispiel: Extraktion einer linearen Diskriminanzfunktion aus Daten	119
	4.1.4 Lineare Diskriminanzfunktionen zur Beurteilung und zum Erstellen einer Rangfolge von Instanzen	121
	4.1.5 Support Vector Machines kompakt erklärt	122
	4.2 Regression via mathematischer Funktionen	125
	4.3 Wahrscheinlichkeitsabschätzung der Klassenzugehörigkeit und logistische »Regression«	127
	4.3.1 * Logistische Regression: Technische Details	131
	4.4 Beispiel: Logistische Regression vs. Entscheidungsbaumverfahren	134
	4.5 Nichtlineare Funktionen, Support Vector Mach