Sie sind hier

E-Book

Data Science für Unternehmen

Data Mining und datenanalytisches Denken praktisch anwenden

Autor	Foster Provost, Tom Fawcett
Verlag	mitp Verlags GmbH & Co. KG
Erscheinungsjahr	2017
Seitenanzahl	432 Seiten
ISBN	9783958455474
Format	PDF
Kopierschutz	kein Kopierschutz
Geräte	PC/MAC/eReader/Tablet
Preis	29,99 EUR

Die grundlegenden Konzepte der Data Science verstehen, Wissen aus Daten ziehen und für 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 für den effektiven Einsatz im Unternehmen von Bedeutung sind. Sie erläutern das datenanalytische Denken, das erforderlich ist, damit Sie aus Ihren gesammelten Daten nützliches Wissen und geschäftlichen Nutzen ziehen können. Sie erfahren detailliert, welche Methoden der Data Science zu hilfreichen Erkenntnissen führen, so dass auf dieser Grundlage wichtige Entscheidungsfindungen unterstützt werden können. Dieser Leitfaden hilft Ihnen dabei, die vielen zurzeit gebräuchlichen 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 Geschäftliche Aufgaben datenanalytisch angehen und den Data-Mining-Prozess nutzen, um auf effiziente Weise sinnvolle Daten zu sammeln Das Buch beruht auf einem Kurs für 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 Führungskräfte und Projektmanager, die Data-Science-orientierte Projekte managen, an Entwickler, die Data-Science-Lösungen implementieren sowie an alle angehenden Data Scientists und Studenten. Aus dem Inhalt: Datenanalytisches Denken lernen Der Data-Mining-Prozess Überwachtes und unüberwachtes Data Mining Einführung in die Vorhersagemodellbildung: von der Korrelation zur überwachten Segmentierung Anhand der Daten optimale Modellparameter finden mit Verfahren wie lineare und logistische Regression sowie Support Vector Machines Prinzip und Berechnung der Ähnlichkeit Nächste-Nachbarn-Methoden und Clustering Entscheidungsanalyse I: Was ist ein gutes Modell Visualisierung der Leistung von Modellen Evidenz und Wahrscheinlichkeiten Texte repräsentieren und auswerten Entscheidungsanalyse II: Analytisches Engineering Data Science und Geschäftsstrategie

Kaufen Sie hier:

Horizontale Tabs

Blick ins Buch

Inhaltsverzeichnis

Cover	1
Titel	3
Impressum	4
Inhaltsverzeichnis	5
Einleitung	13
Über die Autoren	21
Kapitel 1: Einführung: Datenanalytisches Denken	23
1.1 Allgegenwärtige Datenerfassungsmöglichkeiten	23
1.2 Beispiel: Hurrikan Frances	25
1.3 Beispiel: Vorhersage der Kundenfluktuation	26
1.4 Data Science, Engineering und datengestützte Entscheidungsfindung	27
1.5 Datenverarbeitung und »Big Data«	31
1.6 Von Big Data 1.0 zu Big Data 2.0	32
1.7 Daten und Data-Science-Fähigkeiten als strategisches Gut	33
1.8 Datenanalytische Denkweise	36
1.9 Dieses Buch	38
1.10 Data Mining und Data Science	39
1.11 In der Chemie geht es nicht um Reagenzgläser: Data Science vs. die Aufgabe des Data Scientists	40
1.12 Zusammenfassung	41
Kapitel 2: Geschäftliche Aufgaben und Data-Science-Lösungen	43
2.1 Von geschäftlichen Aufgaben zum Data-Mining- Verfahren	44
2.2 Überwachte vs. unüberwachte Verfahren	49
2.3 Ergebnisse des Data Minings	51
2.4 Der Data-Mining-Prozess	52
2.4.1 Aufgabenverständnis	53
2.4.2 Datenverständnis	54
2.4.3 Datenaufbereitung	56
2.4.4 Modellbildung	57
2.4.5 Beurteilung	57
2.4.6 Deployment	59
2.5 Auswirkungen auf das Management des Data-Science-Teams	61
2.6 Weitere Analyseverfahren und -Technologien	62
2.6.1 Statistik	63
2.6.2 Datenbankabfragen	65
2.6.3 Data Warehouses	66
2.6.4 Regressionsanalyse	67
2.6.5 Machine Learning und Data Mining	67
2.6.6 Geschäftliche Aufgaben durch diese Verfahren lösen	68
2.7 Zusammenfassung	70
Kapitel 3: Einführung in die Vorhersagemodellbildung: Von der Korrelation zur überwachten Segmentierung	71
3.1 Modelle, Induktion und Vorhersage	73
3.2 Überwachte Segmentierung	77
3.2.1 Auswahl informativer Merkmale	78
3.2.2 Beispiel: Merkmalsauswahl anhand des Informationsgewinns	86
3.2.3 Überwachte Segmentierung mit Baumstrukturmodellen	92
3.3 Segmentierungen visualisieren	98
3.4 Bäume als Regelsätze	100
3.5 Wahrscheinlichkeitsabschätzung	101
3.6 Beispiel: Abwanderungsrate per Entscheidungsbaum ermitteln	104
3.7 Zusammenfassung	108
Kapitel 4: Ein Modell an Daten anpassen	111
4.1 Klassifizierung via mathematischer Funktionen	113
4.1.1 Lineare Diskriminanzfunktion	115
4.1.2 Optimieren der Zielfunktion	118
4.1.3 Beispiel: Extraktion einer linearen Diskriminanzfunktion aus Daten	119
4.1.4 Lineare Diskriminanzfunktionen zur Beurteilung und zum Erstellen einer Rangfolge von Instanzen	121
4.1.5 Support Vector Machines kompakt erklärt	122
4.2 Regression via mathematischer Funktionen	125
4.3 Wahrscheinlichkeitsabschätzung der Klassenzugehörigkeit und logistische »Regression«	127
4.3.1 * Logistische Regression: Technische Details	131
4.4 Beispiel: Logistische Regression vs. Entscheidungsbaumverfahren	134
4.5 Nichtlineare Funktionen, Support Vector Machines und neuronale Netze	138
4.6 Zusammenfassung	141
Kapitel 5: Überanpassung erkennen und vermeiden	143
5.1 Verallgemeinerungsfähigkeit	143
5.2 Überanpassung	145
5.3 Überanpassung im Detail	146
5.3.1 Zurückgehaltene Daten und Fitfunktionen	146
5.3.2 Überanpassung bei Entscheidungsbaumverfahren	149
5.3.3 Überanpassung bei mathematischen Funktionen	151
5.4 Beispiel: Überanpassung linearer Funktionen	152
5.5 * Beispiel: Nachteile der Überanpassung	156
5.6 Von der Beurteilung durch Testdatenmengen zur Kreuzvalidierung	159
5.7 Abwanderungsdaten	163
5.8 Lernkurven	165
5.9 Überanpassung vermeiden und Steuerung der Komplexität	167
5.9.1 Überanpassung von Entscheidungsbäumen vermeiden	167
5.9.2 Eine allgemeine Methode zur Vermeidung von Überanpassung	168
5.9.3 * Überanpassung bei der Parameteroptimierung vermeiden	171
5.10 Zusammenfassung	175
Kapitel 6: Ähnlichkeit, Nachbarn und Cluster	177
6.1 Ähnlichkeit und Distanz	178
6.2 Nächste-Nachbarn-Methoden	181
6.2.1 Beispiel: Whisky-Analyse	181
6.2.2 Nächste Nachbarn und Vorhersagemodelle	184
6.2.3 Anzahl der Nachbarn und ihre Gewichtung	187
6.2.4 Geometrische Interpretation, Überanpassung und Steuerung der Komplexität	189
6.2.5 Probleme mit Nächste-Nachbarn-Methoden	193
6.3 Ähnlichkeit und Nachbarn: Wichtige technische Details	196
6.3.1 Heterogene Merkmale	196
6.3.2 * Weitere Distanzmaße	197
6.3.3 * Zusammenfassende Funktionen: Scores der Nachbarn berechnen	200
6.4 Clustering	202
6.4.1 Beispiel: Weitere Whisky-Analysen	203
6.4.2 Hierarchisches Clustering	204
6.4.3 Nächste Nachbarn: Clustering um Zentroiden	209
6.4.4 Beispiel: Clustering von Wirtschaftsnachrichten	214
6.4.5 Das Ergebnis des Clusterings verstehen	218
6.4.6 * Cluster-Beschreibungen durch überwachtes Lernen erzeugen	220
6.5 Lösen von geschäftlichen Aufgaben vs. Datenerkundung	223
6.6 Zusammenfassung	226
Kapitel 7: Entscheidungsanalyse I: Was ist ein gutes Modell?	227
7.1 Beurteilung von Klassifizierern	228
7.1.1 Korrektklassifizierungsrate und damit verbundene Probleme	229
7.1.2 Die Wahrheitsmatrix	230
7.1.3 Klassifizierungsaufgaben mit unausgewogener Klassenverteilung	230
7.1.4 Klassifizierungsaufgaben mit unausgewogenem Kosten-Nutzen-Verhältnis	233
7.2 Verallgemeinerung über Klassifizierungen hinaus	234
7.3 Ein wichtiges analytisches Tool: Der Erwartungswert	235
7.3.1 Erwartungswerte für Klassifizierer verwenden	236
7.3.2 Erwartungswerte zur Beurteilung von Klassifizierern verwenden	238
7.4 Beurteilung, Leistung und die Folgen für Investitionen in Daten	246
7.5 Zusammenfassung	249
Kapitel 8: Visualisierung der Leistung von Modellen	251
8.1 Rangfolge statt Klassifizierung	252
8.2 Profitkurven	254
8.3 ROC-Diagramme und -Kurven	257
8.4 Die Fläche unter der ROC-Kurve	263
8.5 Kumulative Reaktionskurven und Lift-Kurven	263
8.6 Beispiel: Leistungsanalyse	266
8.7 Zusammenfassung	275
Kapitel 9: Evidenz und Wahrscheinlichkeiten	277
9.1 Beispiel: Gezielte Kundenansprache durch Onlinewerbung	277
9.2 Evidenzen probabilistisch kombinieren	280
9.2.1 Verbundwahrscheinlichkeit und Unabhängigkeit	281
9.2.2 Der Satz von Bayes	282
9.3 Anwendung des Satzes von Bayes in der Data Science	284
9.3.1 Bedingte Unabhängigkeit und naive Bayes-Klassifizierung	286
9.3.2 Vor- und Nachteile des naiven Bayes-Klassifizierers	288
9.4 Ein Modell für den Lift der Evidenz	290
9.5 Beispiel: Lifts der Evidenz von Facebooks-Likes	291
9.5.1 Evidenz in Aktion: Gezielte Kundenansprache durch Werbung	293
9.6 Zusammenfassung	294
Kapitel 10: Texte repräsentieren und auswerten	295
10.1 Die Bedeutung von Text	296
10.2 Probleme bei der Auswertung von Text	297
10.3 Repräsentierung	298
10.3.1 Das Bag-of-words-Modell	298
10.3.2 Vorkommenshäufigkeiten	299
10.3.3 Inverse Dokumenthäufigkeit	302
10.3.4 Die Kombination aus Vorkommenshäufigkeit und inverser Dokumenthäufigkeit: TFIDF	303
10.4 Beispiel: Jazzmusiker	304
10.5 * Der Zusammenhang zwischen IDF und Entropie	308
10.6 Jenseits des Bag-of-words-Modells	310
10.6.1 N-Gramme	310
10.6.2 Eigennamenerkennung	311
10.6.3 Topic Models	312
10.7 Beispiel: Auswertung von Wirtschaftsnachrichten zwecks Vorhersage von Börsenkursen	313
10.7.1 Die Aufgabe	314
10.7.2 Die Daten	316
10.7.3 Datenvorverarbeitung	319
10.7.4 Ergebnisse	320
10.8 Zusammenfassung	324
Kapitel 11: Entscheidungsanalyse II: Analytisches Engineering	325
11.1 Auswahl geeigneter Empfänger eines Spendenaufrufs	326
11.1.1 Erwartungswerte: Zerlegung in Teilaufgaben und Kombination der Teilergebnisse	326
11.1.2 Ein kurzer Exkurs zum Thema Auswahleffekte	328
11.2 Eine noch ausgeklügeltere Vorhersage der Kundenabwanderung	329
11.2.1 Erwartungswerte: Strukturierung einer komplizierteren geschäftlichen Aufgabe	330
11.2.2 Den Einfluss des Anreizes beurteilen	331
11.2.3 Von der Zerlegung eines Erwartungswerts zur Data-Science-Lösung	333
11.3 Zusammenfassung	336
Kapitel 12: Weitere Verfahren und Methoden der Data Science	339
12.1 Gleichzeitiges Auftreten und Assoziationen: Zueinander passende Objekte finden	340
12.1.1 Unerwartetheit messen: Lift und Leverage	341
12.1.2 Beispiel: Bier und Lotterielose	342
12.1.3 Assoziationen von Facebook-Likes	343
12.2 Profiling: Typisches Verhalten erkennen	347
12.3 Verknüpfungsvorhersagen und Kontaktempfehlungen	352
12.4 Datenreduzierung, latente Informationen und Filmempfehlungen	354
12.5 Bias, Varianz und Ensemblemethoden	358
12.6 Datengestützte Kausalmodelle und ein Beispiel für virales Marketing	362
12.7 Zusammenfassung	363
Kapitel 13: Data Science und Geschäftsstrategie	365
13.1 Datenanalytische Denkweise	365
13.2 Durch Data Science Wettbewerbsvorteile erzielen	368
13.3 Durch Data Science erzielte Wettbewerbsvorteile bewahren	369
13.3.1 Vorteile durch historische Gegebenheiten	370
13.3.2 Einzigartiges geistiges Eigentum	370
13.3.3 Einzigartige immaterielle Werte	371
13.3.4 Überlegene Data Scientists	371
13.3.5 Überlegenes Data-Science-Management	373
13.4 Gewinnung und Förderung von Data Scientists und ihren Teams	375
13.5 Data-Science-Fallstudien	377
13.6 Kreative Ideen von beliebigen Quellen übernehmen	378
13.7 Beurteilung von Vorschlägen für Data-Science-Projekte	379
13.7.1 Beispiel für einen Data-Mining-Projektvorschlag	379
13.7.2 Mängel des Projektvorschlags von Big Red	380
13.8 Ausgereifte Data Science	382
Kapitel 14: Schlussfolgerungen	385
14.1 Die fundamentalen Konzepte der Data Science	385
14.1.1 Anwendung der fundamentalen Konzepte auf eine neue Aufgabe: Auswertung der Daten von Mobilgeräten	388
14.1.2 Eine neue Sichtweise auf die Lösung von geschäftlichen Aufgaben	391
14.2 Was Daten nicht leisten können: Der menschliche Faktor	392
14.3 Privatsphäre, Ethik und Auswertung der Daten von Einzelpersonen	396
14.4 Data Science: Steckt noch mehr dahinter?	397
14.5 Ein letztes Beispiel: Vom Crowd-Sourcing zum Cloud-Sourcing	398
14.6 Schlussworte	400
Anhang A: Leitfaden zur Beurteilung von Projektvorschlägen	401
A.1 Aufgaben- und Datenverständnis	401
A.2 Datenaufbereitung	402
A.3 Modellbildung	403
A.4 Beurteilung und Deployment	403
Anhang B: Ein weiteres Beispiel für einen Projektvorschlag	405
B.1 Szenario und Projektvorschlag	405
B.2 Mängel des Projektvorschlags von GGC	406
Glossar	409
Quellenverzeichnis	415
Stichwortverzeichnis	423

Weitere E-Books zum Thema: Netzwerke - Clouds - Datenbanken

Sichere Netzwerkkommunikation

Grundlagen, Protokolle und Architekturen Format: PDF

Netzwerke werden in allen Bereichen der IT eingesetzt, und es gibt zahlreiche Technologien zur sicheren Netzwerkkommunikation. Doch welche der verfügbaren Techniken lassen sich kombinieren und in der…

Sichere Netzwerkkommunikation

Grundlagen, Protokolle und Architekturen Format: PDF

Sichere Netzwerkkommunikation

Grundlagen, Protokolle und Architekturen Format: PDF

Sichere Netzwerkkommunikation

Grundlagen, Protokolle und Architekturen Format: PDF

Microsoft ISA Server 2006

Leitfaden für Installation, Einrichtung und Wartung Format: PDF

Im Januar 2005 ist mein erstes Buch zum Thema ISA Server 2004 erschienen. Die Erstauflage war bereits nach wenigen Monaten ausverkauft, was offensichtlich bedeutet, dass der Bedarf nach Informationen…

Microsoft ISA Server 2006

Leitfaden für Installation, Einrichtung und Wartung Format: PDF

Veritas Storage Foundation®

High End-Computing für UNIX, Design und Implementation von Hochverfügbarkeitslösungen mit VxVM und VCS Format: PDF

Hochkonzentrierter und praxisorientierter Kurs zur 'Veritas Storage Foundation': Storage Virtualisierung (Teil 1) erzeugt virtuelle Diskspeicher, die bei Kompatibilität zu ihren physischen…

Veritas Storage Foundation®

High End-Computing für UNIX, Design und Implementation von Hochverfügbarkeitslösungen mit VxVM und VCS Format: PDF

Hochkonzentrierter und praxisorientierter Kurs zur 'Veritas Storage Foundation': Storage Virtualisierung (Teil 1) erzeugt virtuelle Diskspeicher, die bei Kompatibilität zu ihren physischen…

Veritas Storage Foundation®

High End-Computing für UNIX, Design und Implementation von Hochverfügbarkeitslösungen mit VxVM und VCS Format: PDF

Hochkonzentrierter und praxisorientierter Kurs zur 'Veritas Storage Foundation': Storage Virtualisierung (Teil 1) erzeugt virtuelle Diskspeicher, die bei Kompatibilität zu ihren physischen…

Unix-Netzwerkprogrammierung mit Threads, Sockets und SSL

Format: PDF

Markus Zahn war nach Abschluß seines Mathematik-Studiums im Jahr 1994 als wissenschaftlicher Mitarbeiter am Lehrstuhl für Informatik I an der Universität Augsburg tätig und hat dort 1999 mit einer…

Weitere Zeitschriften

Atalanta

Atalanta ist die Zeitschrift der Deutschen Forschungszentrale für Schmetterlingswanderung. Im Atalanta-Magazin werden Themen behandelt wie Wanderfalterforschung, Systematik, Taxonomie und Ökologie. ...

Auszüge aus den Gebrauchsmustern (2 Ausgaben)

Veröffentlichte Gebrauchsmustereintragungen beim Deutschen Patent- und Markenamt. Bibliographie, Hauptanspruch,wichtigste Zeichnung, Nebenklassenhinweise. Checkpoint is a tax research system that ...

FREIE WERKSTATT

Die Fachzeitschrift FREIE WERKSTATT berichtet seit der ersten Ausgaben 1994 über die Entwicklungen des Independent Aftermarkets (IAM). Hauptzielgruppe sind Inhaberinnen und Inhaber, Kfz-Meisterinnen ...

Beiträge zur Namenforschung

Beiträge zur Namenforschung. Neue Folge ist eine internationale fachübergreifende Zeitschrift für Namenforschung. In den Artikeln werden Probleme der Ortsnamen- wie Personenamenforschung und der ...

Bibel für heute

BIBEL FÜR HEUTE ist die Bibellese für alle, die die tägliche Routine durchbrechen wollen: Um sich intensiver mit einem Bibeltext zu beschäftigen. Um beim Bibel lesen Einblicke in Gottes ...

BIELEFELD GEHT AUS

Freizeit- und Gastronomieführer mit umfangreichem Serviceteil, mehr als 700 Tipps und Adressen für Tag- und Nachtschwärmer Bielefeld genießen Westfälisch und weltoffen – das zeichnet nicht ...

DGZ Deutsche Gewerkschafts-Zeitung

Das Magazin der christlichen Gewerkschaften: Christliche Gewerkschaft Metall (CGM) Christliche Gewerkschaft Deutscher Eisenbahner (CGDE) Christliche Gewerkschaft Bergbau, Chemie, Energie (CGBCE) ...

elektrobörse handel

elektrobörse handel gibt einen facettenreichen Überblick über den Elektrogerätemarkt: Produktneuheiten und -trends, Branchennachrichten, Interviews, Messeberichte uvm.. In den monatlichen ...

etz - Elektrotechnik + Automation

Die etz bietet mit technischer Berichterstattung aus der elektrischen Automatisierungstechnik, Energietechnik, Mess- und Prüftechnik sowie Industrieelektronik wichtige Entscheidungshilfen für den ...

Euphorion

EUPHORION wurde 1894 gegründet und widmet sich als „Zeitschrift für Literaturgeschichte“ dem gesamten Fachgebiet der deutschen Philologie. Mindestens ein Heft pro Jahrgang ist für die ...