skip to content
Data Science für Dummies Preview this item
ClosePreview this item
Checking...

 

Find a copy online

Links to this item

Find a copy in the library

&AllPage.SpinnerRetrieving; Finding libraries that hold this item...

Details

Additional Physical Format: Erscheint auch als
Pierson
Data Science für Dummies
Weinheim : Wiley-VCH, 2016
Online-Ressource
Online-Ausgabe
(DE-101)110215783X
Material Type: Internet resource
Document Type: Book, Internet Resource
All Authors / Contributors: Lillian Pierson; Wiley-VCH Verlag GmbH & Co. KGaA
ISBN: 9783527712076 3527712070
OCLC Number: 908643984
Description: 408 S.
Contents: Uber die Autorin 7 Vorwort 21 Einleitung 23 Uber dieses Buch 23 Torichte 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 Mogliche Vorgehensweisen klaren 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 Datensatze mit MapReduce und Hadoop reduzieren 43 In MapReduce einarbeiten 43 Hadoop verstehen 45 Data Science fur Dummies Alternative Losungen fur Probleme mit Big Data betrachten 47 Die Echtzeitverarbeitung einfuhren 47 Massenparallelrechner verwenden 48 In NoSQL-Datenbanken einarbeiten 48 Data Engineering im Einsatz Eine Fallstudie 49 Die Geschaftsherausforderung erkennen 49 Geschaftsprobleme mit Data Engineering losen 51 Erfolge aufweisen 51 Kapitel 3 Data Science in Unternehmen und Industrie einsetzen 53 Datengesteuerte Einblicke in die Geschaftsablaufe einbinden 53 Von geschaftsbezogener Data Science profitieren 54 Datenanalyse zur Umwandlung von Rohdaten in umsetzbare Einsichten 54 Etwas mit den Geschaftsdaten unternehmen 57 Business Intelligence und Data Science unterscheiden 58 Business Intelligence definieren 58 Geschaftsbezogene Data Science definieren 60 Die Hauptunterschiede zwischen BI und geschaftsbezogener Data Science zusammenfassen 62 Wissen, wen man holt, um die Arbeit zu erledigen 63 Data Science im Geschaftsleben: Eine datengesteuerte Erfolgsgeschichte 64 Teil II Die Bedeutung Ihrer Daten mit Data Science erkennen 67 Kapitel 4 Wahrscheinlichkeit und Statistik einfuhren 69 Die grundlegenden Konzepte der Wahrscheinlichkeit vorstellen 69 Die Beziehung zwischen Wahrscheinlichkeit und induktiver Statistik 70 Zufallsvariablen, Wahrscheinlichkeitsverteilungen und Erwartungswerte verstehen 71 Gangige Wahrscheinlichkeitsverteilungen kennenlernen 73 Die lineare Regression einfuhren 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 Testgrossen beurteilen 84 Mit der Monte-Carlo-Simulation einen Schatzwert beurteilen 86 Die Zeitreihenanalyse einfuhren 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 einfuhren 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 Kerndichteschatzung abschatzen 101 Hierarchische Algorithmen und Algorithmen zur sortiertenNachbarschaft einsetzen 101 Daten mit Entscheidungsbaumen 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 Gangige Anwendungen von k-Nearest-Neighbor-Algorithmen erkunden 116 Mit den Abstanden der nachstenNachbarn Schlussfolgerungen aus Datenpunkt-Mustern ziehen 116 Probleme der realen Welt mit Nearest-Neighbor-Algorithmen losen 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) einfuhren 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 Uber 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 Oberflachen aus Raumpunktdaten vorhersagen 133 Die Parameter x, y und z bei Geodaten verstehen 134 Kriging einfuhren 135 Automatische Kriging-Interpolationen 136 Modelle zur explizit definierten Kriging-Interpolation wahlen und verwenden 136 Sich intensiver mit dem Kriging beschaftigen 138 Das beste Schatzverfahren beim Kriging wahlen 142 Zur Bestimmung des besten Modells das Residuum untersuchen 143 Ihre Wahlmoglichkeiten bei Kriging-Verfahren kennen 146 Trendanalyse von Oberflachen 146 Teil III Datenvisualisierungen mit klaren Aussagen 147 Kapitel 9 Den Prinzipien der Datenvisualisierung entsprechen 149 Die Arten der Visualisierung verstehen 149 Entscheidungstragern die Geschichte hinter den Daten erzahlen 150 Daten fur Analytiker zur Geltung bringen 150 Datenkunst fur Aktivisten 150 Ihre Zielgruppe in den Blick nehmen 151 Schritt 1: Ideenfindung fur Steffi 151 Schritt 2: Bestimmen Sie Ihr Ziel 152 Schritt 3: Die fur Ihr Ziel zweckmassigste Visualisierungsart wahlen 153 Das zweckmassigste Design wahlen 153 Mit dem Design eine analysierende und prazise Reaktion hervorrufen 154 Mit dem Design eine stark emotionale Reaktion hervorrufen 154 Wissen, wann man einen Zusammenhang darstellen muss 156 Daten verwenden, um Zusammenhange herzustellen 156 Sinnzusammenhange uber Beschriftung herstellen 156 Grafische Elemente zur Herstellung von Sinnzusammenhangen verwenden 157 Wissen, wann man uberzeugen muss 157 Eine passende Art von Grafik wahlen 158 Standarddiagramme erklaren 159 Vergleichende Grafiken erkunden 161 Statistische Diagramme erkunden 165 Topologische Strukturen erkunden 167 Raumliche Darstellungen und Karten erkunden 169 Ihre Grafik auswahlen 171 Betrachten der Fragen 172 Berucksichtigung der Nutzer und der Medien 172 Einen letzten Blick auf die Arbeit werfen 172 Kapitel 10 D3.js zur Visualisierung von Daten verwenden 173 Einfuhrung 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 einfuhren 176 JavaScript und SVG einfuhren 177 Cascading Style Sheets (CSS) einfuhren 178 Webserver und PHP einfuhren 178 Fortgeschrittene Konzepte und Methoden in D3.js verstehen 179 Kettensyntax kennenlernen 182 Skalen kennenlernen 184 Ubergange und Interaktionen kennenlernen 185 Kapitel 11 Webbasierte Anwendungen zur Daten-Visualisierung 187 Kollaborativ genutzte Visualisierungsplattformen 188 Mit Watson Analytics von IBM arbeiten 188 Visualisieren und Kollaborieren mit Plotly 190 Geodaten mit geografischen Tools visualisieren 192 Schone Karten mit OpenHeatMap herstellen 194 Das Erstellen von Karten und die Untersuchung von Geodaten mit CartoDB 195 Webbasierte Open-Source-Plattformen zur Datenvisualisierung 196 Mit Google Fusion Tables schone Grafiken erstellen 197 iCharts zur webbasierten Visualisierung verwenden 198 RAW zur webbasierten Visualisierung verwenden 198 Wissen, wann man Infografiken verwendet 200 Mit Infogr.am fetzige Infografiken erstellen 201 Fetzige Grafiken mit Piktochart erstellen 202 Kapitel 12 Die besten Techniken zum Erstellen eines Dashboards 205 Sich an der Zielgruppe orientieren 206 Mit dem grossen Ganzen beginnen 206 Die Einzelheiten gut hinbekommen 207 Ihren Entwurf testen 209 Kapitel 13 Aus Geodaten Karten erstellen 211 In die Grundlagen von GIS einsteigen 211 Geodatenbanken verstehen 213 Dateiformate in GIS verstehen 213 Kartennetzentwurfe und Koordinatensysteme verstehen 217 Geodaten analysieren 218 Geodaten abfragen 219 Buffering und Nachbarschaftsfunktionen 220 Analysen basierend auf der Uberlagerung einzelner Layer 220 Reklassifikation von Geodaten 222 Mit der Open-Source-Software QGIS arbeiten 222 Die Benutzeroberflache von QGIS kennenlernen 222 In QGIS einen Vektorlayer hinzufugen 223 Anzeige der Daten in QGIS 225 Teil IV Programmieren und Data Science 231 Kapitel 14 Python fur Data Science verwenden 233 Die grundlegenden Konzepte von Python verstehen 233 Datentypen in Python 235 Schleifen in Python verwenden 237 Funktionen und Klassen kennenlernen 238 Enge Bekanntschaft mit einigen nutzlichen Python-Bibliotheken schliessen 241 Die Bibliothek NumPy 242 Mit SciPy vertraut werden 244 Zur Visualisierung von Daten MatPlotLib einbinden 245 Die Verwendung von Python zur Analyse von Daten ein Beispiel 247 Python auf Mac OS und Windows installieren 247 CSV-Dateien laden 248 Einen gewichteten Mittelwert berechnen 249 Trendlinien zeichnen 252 Kapitel 15 Das frei zugangliche R in der Data Science benutzen 255 Die grundlegenden Konzepte einfuhren 255 Die grundlegenden Begriffe in R kennenlernen 255 Tiefer in Funktionen und Operatoren eintauchen 258 Iterieren in R 262 Beobachten, wie Objekte arbeiten 264 Vorschau auf die Pakete von R 266 Einige gefragte Pakete zur statistischen Analyse 266 Visualisierung, Kartierung und grafische Darstellung in R 267 Kapitel 16 SQL in Data Science verwenden 271 Mit SQL beginnen 271 Relationale Datenbanken und SQL in den Griff bekommen 271 Datenbanken entwerfen 275 SQL und seine Funktionen in Data Science verwenden 278 SQL, R, Python und Excel in Ihre Data-Science-Strategie integrieren 278 SQL-Funktionen in Data Science verwenden 279 Kapitel 17 Anwendungssoftware fur Data Science 285 Das Leben mit Excel vereinfachen 285 Mit Excel die Daten schnell kennenlernen 286 Umformatieren und Zusammenfassen mit Pivot-Tabellen 290 Aufgaben von Excel mit Makros automatisieren 291 KNIME zur fortgeschrittenen Analyse von Daten verwenden 293 Die Kundenabwanderung mit KNIME verringern 294 Das Beste aus Daten sozialer Netzwerke machen 294 KNIME fur eine okologisch gute Verwaltung verwenden 294 Teil V Probleme aus der Praxis mit Data Science losen 295 Kapitel 18 Data Science im Journalismus verwenden 297 Die sechs Ws erklaren 298 Uberprufen, wer 298 Uberlegen, warum Ihr Artikel von Bedeutung ist 300 Zu dem kommen, was Sie sagen wollen 301 Wann ist der richtige Zeitpunkt? 302 Uberlegen, wo Ihre Geschichte eine Rolle spielt 303 Uberlegen, wie Sie Ihre Reportage entwickeln, formulieren und prasentieren 304 Daten fur Ihre Reportage sammeln 305 Screen Scraping fur Ihre Reportage nutzen 305 Alert-Dienste einsetzen 306 Die Geschichte hinter den Daten entdecken und erzahlen 307 Aussergewohnliche Trends und Ausreisser entdecken 307 Den Kontext untersuchen, um die Signifikanz der Daten zu verstehen 309 Die Geschichte durch Ihre Visualisierung unterstreichen 310 Fesselnde und klar umrissene Reportagen erstellen 311 Den Datenjournalismus lebendig werden lassen: Der Artikel "Schwarze Kassen" in der Washington Post 311 Kapitel 19 Data Science und die Umwelt miteinander verbinden 313 Modellierung der Wechselwirkung zwischen Mensch und Umwelt anhand okologischer Intelligenz 313 Die zu losenden Probleme betrachten 314 Okologische Intelligenz definieren 315 Wichtige Organisationen kennenlernen, die im Bereich der okologischen Intelligenz arbeiten 316 Mit okologischer Intelligenz positiven Einfluss ausuben 317 Naturliche Ressourcen im Urzustand modellieren 318 Die Modellierung von naturlichen Ressourcen erkunden 318 Sich an Data Science versuchen 319 Modellierung naturlicher Ressourcen zur Losung von Umweltproblemen 319 Mit der Geostatistik Umweltbedingungen abhangig vom Raum vorhersagen 320 Mit der vorhersagenden Geoanalyse Umweltfragen behandeln 321 Den Anteil der Data Science erlautern 321 Die Geostatistik zur Behandlung von Umweltthemen verwenden 322 Kapitel 20 Mit Data Science das Wachstum des E-Commerce vorantreiben 323 Daten verstehen und fur das Wachstum des E-Commerce einsetzen 325 Optimierung der beim Internethandel verwendeten Systeme 326 Analysemethoden kennenlernen 327 Ihre Strategien uberprufen 331 Segmentierung und Zielgruppenansprache tragen zum Erfolg bei 334 Kapitel 21 Data Science zur Beschreibung und Vorhersage krimineller Aktivitaten einsetzen 339 Zeitliche Analyse zur Vorhersage und Verfolgung von Verbrechen 340 Raumliche Analyse zur Vorhersage und Verfolgung von Verbrechen 340 Die Kartografierung von Verbrechen mit GIS-Technologien 341 Einen Schritt weitergehen: Die Standortvorhersage 341 Komplexe raumliche Statistik zum besseren Verstandnis von Verbrechen verwenden 342 Die Probleme untersuchen, die mit der Verwendung von Data Science zur Analyse von Verbrechen verbunden sind 345 Die Grundrechte berucksichtigen 345 Gegen technische Probleme kampfen 346 Teil VI Der Top-Ten-Teil 349 Kapitel 22 Zehn fantastische frei zugangliche Datenquellen 351 Sich in Data.gov vertiefen 352 Die frei zuganglichen Daten in Kanada ausprobieren 353 Die Webseite data.gov.uk untersuchen 354 Das Datenportal fur Deutschland kennenlernen 354 Daten der NASA kennenlernen 355 Auf die Daten der Weltbank zugreifen 356 Sich mit Knoema Data bekannt machen 357 Sich bei Quandl Data in die Schlange stellen 358 Die Exversion-Daten erkunden 359 OpenStreetMap zur Kartierung verwenden 360 Kapitel 23 Etwa zehn freie Tools und Anwendungen zur Data Science 363 Das Erstellen individualisierter webbasierter Visualisierungen mit freien R-Paketen 363 Mit RStudio glanzen 364 rCharts zum Visualisieren verwenden 365 Mit rMaps kartieren 365 Weitere Tools zum Auslesen, Sammeln und Verarbeiten von Daten 366 Daten mit import.io extrahieren 366 Mit ImageQuilts Bilder sammeln 367 Sich Daten mit DataWrangler beschaffen 368 Weitere Tools zum Untersuchen von Daten testen 368 Uber Tableau Public reden 368 Mit Gephi vorankommen 369 Maschinelles Lernen mit WEKA 371 Weitere webbasierte Visualisierungstools testen 372 Mit Weave arbeiten 372 Die Visualisierungsangebote von Knoema testen 373 Stichwortverzeichnis 377
Series Title: ... für Dummies
Responsibility: Lillian Pierson
More information:

Reviews

User-contributed reviews
Retrieving GoodReads reviews...
Retrieving DOGObooks reviews...

Tags

Be the first.
Confirm this request

You may have already requested this item. Please select Ok if you would like to proceed with this request anyway.

Linked Data


Primary Entity

<http://www.worldcat.org/oclc/908643984> # Data Science für Dummies
    a schema:Book, schema:CreativeWork ;
    library:oclcnum "908643984" ;
    library:placeOfPublication <http://experiment.worldcat.org/entity/work/data/3625843052#Place/weinheim> ; # Weinheim
    library:placeOfPublication <http://id.loc.gov/vocabulary/countries/gw> ;
    schema:about <http://experiment.worldcat.org/entity/work/data/3625843052#Topic/statistik> ; # Statistik
    schema:about <http://experiment.worldcat.org/entity/work/data/3625843052#Topic/massendaten> ; # Massendaten
    schema:about <http://dewey.info/class/510/> ;
    schema:about <http://experiment.worldcat.org/entity/work/data/3625843052#Topic/datenanalyse> ; # Datenanalyse
    schema:about <http://experiment.worldcat.org/entity/work/data/3625843052#Thing/produktform_paperback_softback> ; # (Produktform)Paperback / softback
    schema:about <http://experiment.worldcat.org/entity/work/data/3625843052#Topic/data_mining> ; # Data Mining
    schema:about <http://experiment.worldcat.org/entity/work/data/3625843052#Topic/informatik> ; # Informatik
    schema:about <http://experiment.worldcat.org/entity/work/data/3625843052#Thing/vlb_wn_1627_hardcover_softcover_mathematik_wahrscheinlichkeitstheorie_stochastik_mathematische_statistik> ; # (VLB-WN)1627: Hardcover, Softcover / Mathematik/Wahrscheinlichkeitstheorie, Stochastik, Mathematische Statistik
    schema:author <http://experiment.worldcat.org/entity/work/data/3625843052#Person/pierson_lillian> ; # Lillian Pierson
    schema:bookEdition "1. Auflage" ;
    schema:bookFormat bgn:PrintBook ;
    schema:datePublished "2015" ;
    schema:exampleOfWork <http://worldcat.org/entity/work/id/3625843052> ;
    schema:inLanguage "de" ;
    schema:isPartOf <http://experiment.worldcat.org/entity/work/data/3625843052#Series/fur_dummies> ; # ... für Dummies
    schema:isSimilarTo <http://worldcat.org/entity/work/data/3625843052#CreativeWork/data_science_fur_dummies> ;
    schema:name "Data Science für Dummies"@de ;
    schema:productID "908643984" ;
    schema:publication <http://www.worldcat.org/title/-/oclc/908643984#PublicationEvent/weinheimwiley_vch2015> ;
    schema:publisher <http://experiment.worldcat.org/entity/work/data/3625843052#Organization/wiley_vch_verlag_gmbh_&_co_kgaa> ; # Wiley-VCH Verlag GmbH & Co. KGaA
    schema:publisher <http://experiment.worldcat.org/entity/work/data/3625843052#Agent/wiley_vch> ; # Wiley-VCH
    schema:url <http://swbplus.bsz-bw.de/bsz43302366xcov.htm> ;
    schema:workExample <http://worldcat.org/isbn/9783527712076> ;
    umbel:isLike <http://d-nb.info/1070260061> ;
    wdrs:describedby <http://www.worldcat.org/title/-/oclc/908643984> ;
    .


Related Entities

<http://experiment.worldcat.org/entity/work/data/3625843052#Person/pierson_lillian> # Lillian Pierson
    a schema:Person ;
    schema:familyName "Pierson" ;
    schema:givenName "Lillian" ;
    schema:name "Lillian Pierson" ;
    .

<http://experiment.worldcat.org/entity/work/data/3625843052#Series/fur_dummies> # ... für Dummies
    a bgn:PublicationSeries ;
    schema:hasPart <http://www.worldcat.org/oclc/908643984> ; # Data Science für Dummies
    schema:name "... für Dummies" ;
    .

<http://experiment.worldcat.org/entity/work/data/3625843052#Thing/produktform_paperback_softback> # (Produktform)Paperback / softback
    a schema:Thing ;
    schema:name "(Produktform)Paperback / softback" ;
    .

<http://experiment.worldcat.org/entity/work/data/3625843052#Thing/vlb_wn_1627_hardcover_softcover_mathematik_wahrscheinlichkeitstheorie_stochastik_mathematische_statistik> # (VLB-WN)1627: Hardcover, Softcover / Mathematik/Wahrscheinlichkeitstheorie, Stochastik, Mathematische Statistik
    a schema:Thing ;
    schema:name "(VLB-WN)1627: Hardcover, Softcover / Mathematik/Wahrscheinlichkeitstheorie, Stochastik, Mathematische Statistik" ;
    .

<http://worldcat.org/entity/work/data/3625843052#CreativeWork/data_science_fur_dummies>
    a schema:CreativeWork ;
    rdfs:label "Data Science für Dummies" ;
    schema:description "Erscheint auch als" ;
    schema:isSimilarTo <http://www.worldcat.org/oclc/908643984> ; # Data Science für Dummies
    .

<http://worldcat.org/isbn/9783527712076>
    a schema:ProductModel ;
    schema:isbn "3527712070" ;
    schema:isbn "9783527712076" ;
    .


Content-negotiable representations

Close Window

Please sign in to WorldCat 

Don't have an account? You can easily create a free account.