Data Science in der Praxis

Der ideale Einstieg in Data Science! Praktiker.innen mit und ohne Mathematikkenntnisse bekommen hier alles, was Sie für eigene Data-Science-Projekte brauchen: Einschlägige Analysemethoden werden nachvollziehbar und mit gerade so viel Theorie wie nötig vorgestellt. Neben der Programmiersprache R lernen Sie für alle Projektphasen die passenden Methoden und Werkzeuge kennen – sei es die Vorbereitung der Daten, die Auswahl der Verfahren oder das Trainieren der Modelle. Mit vielen Beispielen, Grafiken, Entscheidungshilfen und weiteren Praxistipps.

• Erfolgsfaktoren und Tools für alle Projektphasen
• KI und Machine Learning für die Datenanalyse
• Mit Anwendungsbeispielen für verschiedene Fachgebiete
• Von der Anforderungsanalyse über die Akquise und Aufbereitung der Daten bis zur Visualisierung der Ergebnisse

Aus dem Inhalt:

• Erste Schritte mit R und RStudio
• Begriffe aus der Statistik vom Median bis zum Hypothesentest
• Vorbereitung: Daten reinigen und transformieren
• k-Means Clustering
• Lineare und nichtlineare Regression
• Das richtige Verfahren wählen
• Machine Learning einsetzen
• Dimensionen und Parameter geschickt wählen
• Tipps für alle Phasen eines Data-Science-Projekts
• Ihre Anwendung als REST-API bereitstellen
• Anomalieerkennung, Warenkorbanalyse und viele weitere Anwendungen

Tom Alby ist Verantwortlicher für Digitale Transformation in einem Versicherungsunternehmen, Lehrbeauftragter für Datenanalyse und Data Mining, Tutor und Autor – kurz gesagt ein "Datenfreak" (brandeins). Auch in seinen früheren Stationen bei Google, ask.com oder bbdo, wo er die Data Acadamy leitete, drehte sich alles um die Datenanalyse.

• 360 Seiten, broschiert
• 17,2 x 23 cm
• ISBN 978-3-8362-8462-2