: Tom Alby
: Data Science in der Praxis Eine verständliche Einführung in alle wichtigen Verfahren
: Rheinwerk Computing
: 9783836284646
: 1
: CHF 31.70
:
: Programmiersprachen
: German
: 360
: Wasserzeichen
: PC/MAC/eReader/Tablet
: ePUB

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:

  • Ers e Schritte mit R und RStudio
  • Grundbegriffe der Statistik
  • Vorbereitun : Daten reinigen und transformieren
  • k-Mean Clustering
  • Lineare und nichtlineare Regression
  • Vorhersage , Clustering, Klassifizierung
  • Tipps und Werkzeuge für alle Projektphasen
  • Ihre Anwendung als REST-API bereitstellen
  • KI und Maschinelles Lernen einsetzen
  • Anomalieerk nnung, Warenkorbanalyse und viele weitere Anwendungsfälle
  • Machi e Learning: Modelle richtig trainieren



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).

2    Machine Learning, Data Science und künstliche Intelligenz


»I believe that at the end of the century the use of words and general educated opinion will have altered so much that one will be able to speak of machines thinking without expecting to be contradicted.« (Alan Turing 1950)

Der BegriffData Science wurde zwar schon in den 1960er-Jahren geprägt, hatte aber zunächst nichts mit künstlicher Intelligenz zu tun, die wenige Jahre zuvor zumindest konzeptionell erste Popularität erfuhr. Die Grundlagen für Machine Learning entstanden schon viel früher und legten den Grundstein für viele Konzepte der künstlichen Intelligenz, basierten zunächst aber einfach auf statistischen Modellen. Wie sich die Bereiche genau unterscheiden, das ist das Thema dieses Kapitels.

2.1    Aus der Geschichte lernen – alles nur ein Hype?


Wer den Begriff »künstliche Intelligenz« (KI) in den Mund nimmt, riskiert schon den Vorwurf, sich eines Buzz Words zu bedienen. Kein Wunder, denn die Geschichte der künstlichen Intelligenz ist bis heute von vielen Enttäuschungen gezeichnet. Wir untersuchen in diesem Kapitel, ob es dieses Mal anders sein wird.

2.1.1    Daten und Maschinen vor den Anfängen der KI


Daten sind kein neuzeitliches Phänomen. Schon vor Tausenden von Jahren wurden Daten gesammelt, und sei es nur, um etwas zu zählen und das Ergebnis zu speichern. Bauern, die ihr Vieh zählen wollten, nutzten Steine, für jedes Tier einen, und legten diese in einen Beutel, um zu einem späteren Zeitpunkt nachzählen zu können. Auch Menschen wurden gezählt: Die berühmteste aller Volkszählungen im christlichen Abendland wird schon in der Bibel erwähnt, und alle hatten das gleiche Ziel, nämlich das Volk zu schätzen, um die potenziellen Steuereinnahmen berechnen zu können. Man könnte also behaupten, dass Volkszählungen schon früh einen negativen Beigeschmack für die Betroffenen hatten. Zu dieser Zeit war der Abakus bereits als Rechenmaschine verbreitet.

Im 17. Jahrhundert begannen an verschiedenen Orten Arbeiten an mechanischen Rechenmaschinen, hier seien Schickard, Pascal und Leibnitz erwähnt. 1646 wurde der BegriffData zum ersten Mal im Englischen für gegebene Quantitäten in mathematischen Problemen genutzt.[ 6 ]

Was bedeutet das Wort »Daten« überhaupt?

Data