| Document Type
|
:
|
BL
|
| Record Number
|
:
|
882749
|
| Main Entry
|
:
|
Ng, Annalyn
|
| Title & Author
|
:
|
Data Science -- was ist das eigentlich?! : : Algorithmen des maschinellen Lernens verständlich erklärt /\ Anna Ng, Kenneth Soo ; aus dem Englischen übersetzt von Matthias Delbrück.
|
| Publication Statement
|
:
|
Berlin, Germany :: Springer,, 2018.
|
| Page. NO
|
:
|
1 online resource
|
| ISBN
|
:
|
3662567768
|
|
|
:
|
: 9783662567760
|
|
|
:
|
366256775X
|
|
|
:
|
9783662567753
|
| Bibliographies/Indexes
|
:
|
Includes bibliographical references.
|
| Contents
|
:
|
Intro; Vorwort; Inhaltsverzeichnis; Über die Autoren; Warum Data Science?; 1 Das Wichtigste in Kürze ... ; 1.1 Datenaufbereitung; 1.1.1 Datenformate; 1.1.2 Arten von Variablen; 1.1.3 Auswahl von geeigneten Variablen; 1.1.4 Merkmalsextraktion; 1.1.5 Fehlende Daten; 1.2 Auswahl des Algorithmus; 1.2.1 Unüberwachtes Lernen; 1.2.2 Überwachtes Lernen; 1.2.3 Bestärkendes Lernen; 1.2.4 Andere Überlegungen; 1.3 Parameter; 1.4 Evaluation der Ergebnisse; 1.4.1 Regressionsmetrik; 1.4.2 Validierung; 1.5 Zusammenfassung; 2 k-Means-Clustering; 2.1 Wie man Kunden-Cluster findet.
|
|
|
:
|
11 Neuronale Netze11.1 Bauen Sie sich ein Gehirn!; 11.2 Beispiel: Handgeschriebene Zahlen erkennen; 11.3 Wie ein neuronales Netz denkt; 11.4 Aktivierungsregeln; 11.5 Grenzen; 11.6 Zusammenfassung; 12 A/B-Tests und vielarmige Banditen; 12.1 Grundlagen des A/B-Tests; 12.2 Grenzen von A/B-Tests; 12.3 Abnehmendes-Epsilon-Strategie; 12.4 Beispiel: Vielarmige Banditen; 12.5 Nett zu wissen: van Gaals Elfmeterschützen; 12.6 Grenzen einer Abnehmendes-Epsilon-Strategie; 12.7 Zusammenfassung; Anhang; Glossar; Literatur.
|
|
|
:
|
2.2 Beispiel: Persönlichkeitsprofile von Filmfans2.3 Cluster definieren; 2.3.1 Wie viele Cluster haben wir?; 2.3.2 Was gehört in meinen Cluster?; 2.4 Grenzen; 2.5 Zusammenfassung; 3 Hauptkomponentenanalyse; 3.1 Der Nährwertgehalt von Lebensmitteln; 3.2 Hauptkomponenten; 3.3 Beispiel: Nahrungsmittelgruppen; 3.4 Grenzen; 3.5 Zusammenfassung; 4 Assoziationsanalyse; 4.1 Muster im Einkaufsverkaufsverhalten; 4.2 Support, Konfidenz und Lift; 4.3 Beispiel: Daten aus einem Lebensmittelgeschäft; 4.4 Das A-priori-Prinzip; 4.4.1 Mengen von Artikeln finden, die hohen Support haben.
|
|
|
:
|
4.4.2 Assoziationsregeln mit hoher Konfidenz oder hohem Lift4.5 Grenzen; 4.6 Zusammenfassung; 5 Soziale Netzwerkanalyse; 5.1 Beziehungen abbilden; 5.2 Beispiel: Waffenhandel und Geopolitik; 5.3 Die Louvain-Methode; 5.4 PageRank-Algorithmus; 5.5 Grenzen; 5.6 Zusammenfassung; 6 Regressionsanalyse; 6.1 Trendlinien; 6.2 Beispiel: Vorhersage von Hauspreisen; 6.3 Gradientenverfahren; 6.4 Regressionskoeffizienten; 6.5 Korrelationskoeffizienten; 6.6 Grenzen; 6.7 Zusammenfassung; 7 k-nächste Nachbarn und Ausreißererkennung; 7.1 Der Weindetektiv; 7.2 Gleich und gleich gesellt sich gern.
|
|
|
:
|
7.3 Beispiel: Der statistische Sommelier7.4 Ausreißererkennung; 7.5 Grenzen; 7.6 Zusammenfassung; 8 Support-Vektor-Maschine; 8.1 "Nein" oder "Oh Nein"?; 8.2 Beispiel: Diagnose einer Herzerkrankung; 8.3 Die optimale Grenzlinie; 8.4 Grenzen; 8.5 Zusammenfassung; 9 Entscheidungsbaum; 9.1 Wie man eine Katastrophe überlebt; 9.2 Beispiel: Rettung von der Titanic; 9.3 Einen Entscheidungsbaum erstellen; 9.4 Grenzen; 9.5 Zusammenfassung; 10 Random Forests; 10.1 Die Weisheit der Crowd; 10.2 Beispiel: Verbrechensvorhersage; 10.3 Ensembles; 10.4 Bootstrap Aggregating; 10.5 Grenzen; 10.6 Zusammenfassung
|
| Abstract
|
:
|
Sie möchten endlich wissen, was sich hinter Schlagworten wie "Data Science" und "Machine Learning" eigentlich verbirgt - und was man alles damit anstellen kann? Auf allzu viel Mathematik würden Sie dabei aber gern verzichten? Dann sind Sie hier genau richtig: Dieses Buch bietet einen kompakten Einblick in die wichtigsten Schlüsselkonzepte der Datenwissenschaft und ihrer Algorithmen - und zwar ohne Sie mit mathematischen Formeln und Details zu belasten! Der Fokus liegt - nach einer übergeordneten Einführung - auf Anwendungen des maschinellen Lernens zur Mustererkennung und Vorhersage von Ergebnissen: In jedem Kapitel wird ein Algorithmus erläutert und mit einem leicht verständlichen, realen Anwendungsbeispiel verknüpft. Die Kombination aus intuitiven Erklärungen und zahlreichen Abbildungen ermöglicht dabei ein grundlegendes Verständnis, das ohne mathematische Formelsprache auskommt. Abschließend werden auch die Grenzen und Nachteile der betrachteten Algorithmen explizit aufgezeigt.
|
| Subject
|
:
|
Big data.
|
| Subject
|
:
|
Computer algorithms.
|
| Subject
|
:
|
Data mining.
|
| Subject
|
:
|
Information science.
|
| Subject
|
:
|
Machine learning.
|
| Subject
|
:
|
Quantitative research.
|
| Subject
|
:
|
Big data.
|
| Subject
|
:
|
Computer algorithms.
|
| Subject
|
:
|
COMPUTERS-- General.
|
| Subject
|
:
|
Data mining.
|
| Subject
|
:
|
Information science.
|
| Subject
|
:
|
Machine learning.
|
| Subject
|
:
|
Quantitative research.
|
| Dewey Classification
|
:
|
005.7
|
| LC Classification
|
:
|
QA76.9.B45
|
| Added Entry
|
:
|
Delbrück, Matthias
|
|
|
:
|
Soo, Kenneth
|