Data Science Fur Unternehmen: Data Mining Und Datenanalytisches Denken Praktisch Anwenden
by Foster Provost /
2017 / German / EPUB
13.8 MB Download
Die grundlegenden Konzepte der Data Science verstehen, Wissen aus Daten ziehen und fur 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 fur den effektiven Einsatz im Unternehmen von Bedeutung sind.
Sie erlautern das datenanalytische Denken, das erforderlich ist, damit Sie aus Ihren gesammelten Daten nutzliches Wissen und geschaftlichen Nutzen ziehen konnen. Sie erfahren detailliert, welche Methoden der Data Science zu hilfreichen Erkenntnissen fuhren, so dass auf dieser Grundlage wichtige Entscheidungsfindungen unterstutzt werden konnen.
Dieser Leitfaden hilft Ihnen dabei, die vielen zurzeit gebrauchlichen 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
Geschaftliche Aufgaben datenanalytisch angehen und den Data-Mining-Prozess nutzen, um auf effiziente Weise sinnvolle Daten zu sammeln
Das Buch beruht auf einem Kurs fur 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 Fuhrungskrafte und Projektmanager, die Data-Science-orientierte Projekte managen, an Entwickler, die Data-Science-Losungen implementieren sowie an alle angehenden Data Scientists und Studenten.
Aus dem Inhalt:
Datenanalytisches Denken lernen
Der Data-Mining-Prozess
Uberwachtes und unuberwachtes Data Mining
Einfuhrung in die Vorhersagemodellbildung: von der Korrelation zur uberwachten Segmentierung
Anhand der Daten optimale Modellparameter finden mit Verfahren wie lineare und logistische Regression sowie Support Vector Machines
Prinzip und Berechnung der Ahnlichkeit
Nachste-Nachbarn-Methoden und Clustering
Entscheidungsanalyse I: Was ist ein gutes Modell
Visualisierung der Leistung von Modellen
Evidenz und Wahrscheinlichkeiten
Texte reprasentieren und auswerten
Entscheidungsanalyse II: Analytisches Engineering
Data Science und Geschaftsstrategie