Data Science für Unternehmen: Data Mining und datenanalytisches Denken praktisch anwenden.

Detalles Bibliográficos
Clasificación:Libro Electrónico
Autor principal: Provost, Foster
Otros Autores: Fawcett, Tom
Formato: Electrónico eBook
Idioma:Inglés
Publicado: [Place of publication not identified] : MITP Verlags GmbH & Co. KG : MITP, 2017.
Temas:
Data mining.
Big data.
Business > Data processing.
Data Mining
Exploration de données (Informatique)
Données volumineuses.
Gestion > Informatique.
COMPUTERS / Computer Literacy
COMPUTERS / Computer Science
COMPUTERS / Data Processing
COMPUTERS / Hardware / General
COMPUTERS / Information Technology
COMPUTERS / Machine Theory
COMPUTERS / Reference
Acceso en línea:Texto completo
Tabla de Contenidos:
  • 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
  • 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
  • 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
  • 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
  • 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

Ejemplares similares