|
|
|
|
| LEADER |
00000cam a22000003i 4500 |
| 001 |
EBSCO_on1007822899 |
| 003 |
OCoLC |
| 005 |
20231017213018.0 |
| 006 |
m o d |
| 007 |
cr cnu|||unuuu |
| 008 |
171027s2017 xx o 000 0 eng d |
| 040 |
|
|
|a N$T
|b eng
|e rda
|e pn
|c N$T
|d N$T
|d OCLCO
|d OCLCF
|d YDX
|d EBLCP
|d OCLCO
|d OCLCQ
|
| 019 |
|
|
|a 1007921544
|
| 020 |
|
|
|a 9783958455474
|q (electronic bk.)
|
| 020 |
|
|
|a 3958455476
|q (electronic bk.)
|
| 035 |
|
|
|a (OCoLC)1007822899
|z (OCoLC)1007921544
|
| 050 |
|
4 |
|a QA76.9.D343
|
| 072 |
|
7 |
|a COM
|x 013000
|2 bisacsh
|
| 072 |
|
7 |
|a COM
|x 014000
|2 bisacsh
|
| 072 |
|
7 |
|a COM
|x 018000
|2 bisacsh
|
| 072 |
|
7 |
|a COM
|x 067000
|2 bisacsh
|
| 072 |
|
7 |
|a COM
|x 032000
|2 bisacsh
|
| 072 |
|
7 |
|a COM
|x 037000
|2 bisacsh
|
| 072 |
|
7 |
|a COM
|x 052000
|2 bisacsh
|
| 082 |
0 |
4 |
|a 004
|2 23
|
| 049 |
|
|
|a UAMI
|
| 100 |
1 |
|
|a Provost, Foster.
|
| 245 |
1 |
0 |
|a Data Science für Unternehmen: Data Mining und datenanalytisches Denken praktisch anwenden.
|
| 264 |
|
1 |
|a [Place of publication not identified] :
|b MITP Verlags GmbH & Co. KG :
|b MITP,
|c 2017.
|
| 300 |
|
|
|a 1 online resource.
|
| 336 |
|
|
|a text
|b txt
|2 rdacontent
|
| 337 |
|
|
|a computer
|b c
|2 rdamedia
|
| 338 |
|
|
|a online resource
|b cr
|2 rdacarrier
|
| 588 |
0 |
|
|a Vendor-supplied metadata.
|
| 505 |
0 |
|
|a Cover -- Titel -- Impressum -- Inhaltsverzeichnis -- Einleitung -- Über die Autoren -- Kapitel 1: Einführung: Datenanalytisches Denken -- 1.1 Allgegenwärtige Datenerfassungsmöglichkeiten -- 1.2 Beispiel: Hurrikan Frances -- 1.3 Beispiel: Vorhersage der Kundenfluktuation -- 1.4 Data Science, Engineering und datengestützte Entscheidungsfindung -- 1.5 Datenverarbeitung und »Big Data« -- 1.6 Von Big Data 1.0 zu Big Data 2.0 -- 1.7 Daten und Data-Science-Fähigkeiten als strategisches Gut -- 1.8 Datenanalytische Denkweise -- 1.9 Dieses Buch -- 1.10 Data Mining und Data Science
|
| 505 |
8 |
|
|a 1.11 In der Chemie geht es nicht um Reagenzgläser: Data Science vs. die Aufgabe des Data Scientists -- 1.12 Zusammenfassung -- Kapitel 2: Geschäftliche Aufgaben und Data-Science-Lösungen -- 2.1 Von geschäftlichen Aufgaben zum Data-Mining- Verfahren -- 2.2 Überwachte vs. unüberwachte Verfahren -- 2.3 Ergebnisse des Data Minings -- 2.4 Der Data-Mining-Prozess -- 2.4.1 Aufgabenverständnis -- 2.4.2 Datenverständnis -- 2.4.3 Datenaufbereitung -- 2.4.4 Modellbildung -- 2.4.5 Beurteilung -- 2.4.6 Deployment -- 2.5 Auswirkungen auf das Management des Data-Science-Teams
|
| 505 |
8 |
|
|a 2.6 Weitere Analyseverfahren und -Technologien -- 2.6.1 Statistik -- 2.6.2 Datenbankabfragen -- 2.6.3 Data Warehouses -- 2.6.4 Regressionsanalyse -- 2.6.5 Machine Learning und Data Mining -- 2.6.6 Geschäftliche Aufgaben durch diese Verfahren lösen -- 2.7 Zusammenfassung -- Kapitel 3: Einführung in die Vorhersagemodellbildung: Von der Korrelation zur überwachten Segmentierung -- 3.1 Modelle, Induktion und Vorhersage -- 3.2 Überwachte Segmentierung -- 3.2.1 Auswahl informativer Merkmale -- 3.2.2 Beispiel: Merkmalsauswahl anhand des Informationsgewinns
|
| 505 |
8 |
|
|a 3.2.3 Überwachte Segmentierung mit Baumstrukturmodellen -- 3.3 Segmentierungen visualisieren -- 3.4 Bäume als Regelsätze -- 3.5 Wahrscheinlichkeitsabschätzung -- 3.6 Beispiel: Abwanderungsrate per Entscheidungsbaum ermitteln -- 3.7 Zusammenfassung -- Kapitel 4: Ein Modell an Daten anpassen -- 4.1 Klassifizierung via mathematischer Funktionen -- 4.1.1 Lineare Diskriminanzfunktion -- 4.1.2 Optimieren der Zielfunktion -- 4.1.3 Beispiel: Extraktion einer linearen Diskriminanzfunktion aus Daten -- 4.1.4 Lineare Diskriminanzfunktionen zur Beurteilung und zum Erstellen einer Rangfolge von Instanzen
|
| 505 |
8 |
|
|a 4.1.5 Support Vector Machines kompakt erklärt -- 4.2 Regression via mathematischer Funktionen -- 4.3 Wahrscheinlichkeitsabschätzung der Klassenzugehörigkeit und logistische »Regression« -- 4.3.1 * Logistische Regression: Technische Details -- 4.4 Beispiel: Logistische Regression vs. Entscheidungsbaumverfahren -- 4.5 Nichtlineare Funktionen, Support Vector Machines und neuronale Netze -- 4.6 Zusammenfassung -- Kapitel 5: Überanpassung erkennen und vermeiden -- 5.1 Verallgemeinerungsfähigkeit -- 5.2 Überanpassung -- 5.3 Überanpassung im Detail -- 5.3.1 Zurückgehaltene Daten und Fitfunktionen
|
| 590 |
|
|
|a eBooks on EBSCOhost
|b EBSCO eBook Subscription Academic Collection - Worldwide
|
| 650 |
|
0 |
|a Data mining.
|
| 650 |
|
0 |
|a Big data.
|
| 650 |
|
0 |
|a Business
|x Data processing.
|
| 650 |
|
2 |
|a Data Mining
|
| 650 |
|
6 |
|a Exploration de données (Informatique)
|
| 650 |
|
6 |
|a Données volumineuses.
|
| 650 |
|
6 |
|a Gestion
|x Informatique.
|
| 650 |
|
7 |
|a COMPUTERS / Computer Literacy
|2 bisacsh
|
| 650 |
|
7 |
|a COMPUTERS / Computer Science
|2 bisacsh
|
| 650 |
|
7 |
|a COMPUTERS / Data Processing
|2 bisacsh
|
| 650 |
|
7 |
|a COMPUTERS / Hardware / General
|2 bisacsh
|
| 650 |
|
7 |
|a COMPUTERS / Information Technology
|2 bisacsh
|
| 650 |
|
7 |
|a COMPUTERS / Machine Theory
|2 bisacsh
|
| 650 |
|
7 |
|a COMPUTERS / Reference
|2 bisacsh
|
| 650 |
|
7 |
|a Big data.
|2 fast
|0 (OCoLC)fst01892965
|
| 650 |
|
7 |
|a Business
|x Data processing.
|2 fast
|0 (OCoLC)fst00842293
|
| 650 |
|
7 |
|a Data mining.
|2 fast
|0 (OCoLC)fst00887946
|
| 700 |
1 |
|
|a Fawcett, Tom.
|
| 856 |
4 |
0 |
|u https://ebsco.uam.elogim.com/login.aspx?direct=true&scope=site&db=nlebk&AN=1621740
|z Texto completo
|
| 938 |
|
|
|a ProQuest Ebook Central
|b EBLB
|n EBL6947662
|
| 938 |
|
|
|a EBSCOhost
|b EBSC
|n 1621740
|
| 938 |
|
|
|a YBP Library Services
|b YANK
|n 14927243
|
| 994 |
|
|
|a 92
|b IZTAP
|
