Data Science: Grundlagen, Architekturen und Anwendungen
Gespeichert in:
| Weitere Verfasser: | , , , |
|---|---|
| Format: | Buch |
| Sprache: | German |
| Veröffentlicht: |
Heidelberg
dpunkt.verlag
2019
|
| Ausgabe: | 1. Auflage |
| Schriftenreihe: | Edition TDWI
TDWI Wissen |
| Schlagworte: | |
| Online-Zugang: | Inhaltsverzeichnis |
| Beschreibung: | xvi, 320 Seiten Illustrationen, Diagramme 24 cm x 16.5 cm |
| ISBN: | 9783864906107 3864906105 |
Internformat
MARC
| LEADER | 00000nam a2200000 c 4500 | ||
|---|---|---|---|
| 001 | BV045171513 | ||
| 003 | DE-604 | ||
| 005 | 20200608 | ||
| 007 | t | ||
| 008 | 180907s2019 gw a||| |||| 00||| ger d | ||
| 015 | |a 18,N30 |2 dnb | ||
| 016 | 7 | |a 1162853484 |2 DE-101 | |
| 020 | |a 9783864906107 |c hbk. : circa EUR 59.90 (DE), circa EUR 61.60 (AT) |9 978-3-86490-610-7 | ||
| 020 | |a 3864906105 |9 3-86490-610-5 | ||
| 024 | 3 | |a 9783864906107 | |
| 035 | |a (OCoLC)1101132849 | ||
| 035 | |a (DE-599)DNB1162853484 | ||
| 040 | |a DE-604 |b ger |e rda | ||
| 041 | 0 | |a ger | |
| 044 | |a gw |c XA-DE-BW | ||
| 049 | |a DE-M347 |a DE-1102 |a DE-11 |a DE-91G |a DE-706 |a DE-1050 |a DE-92 |a DE-860 |a DE-29T |a DE-Aug4 |a DE-1043 |a DE-739 |a DE-1051 |a DE-824 |a DE-898 |a DE-858 |a DE-B768 |a DE-N2 |a DE-12 |a DE-859 |a DE-573 |a DE-83 |a DE-634 | ||
| 084 | |a ST 530 |0 (DE-625)143679: |2 rvk | ||
| 084 | |a QP 345 |0 (DE-625)141866: |2 rvk | ||
| 084 | |a QH 500 |0 (DE-625)141607: |2 rvk | ||
| 084 | |a DAT 600f |2 stub | ||
| 245 | 1 | 0 | |a Data Science |b Grundlagen, Architekturen und Anwendungen |c Uwe Haneke, Stephan Trahasch, Michael Zimmer, Carsten Felden (Hrsg.) |
| 250 | |a 1. Auflage | ||
| 264 | 1 | |a Heidelberg |b dpunkt.verlag |c 2019 | |
| 300 | |a xvi, 320 Seiten |b Illustrationen, Diagramme |c 24 cm x 16.5 cm | ||
| 336 | |b txt |2 rdacontent | ||
| 337 | |b n |2 rdamedia | ||
| 338 | |b nc |2 rdacarrier | ||
| 490 | 0 | |a Edition TDWI | |
| 490 | 0 | |a TDWI Wissen | |
| 650 | 0 | 7 | |a Data Science |0 (DE-588)1140936166 |2 gnd |9 rswk-swf |
| 650 | 0 | 7 | |a Big Data |0 (DE-588)4802620-7 |2 gnd |9 rswk-swf |
| 650 | 0 | 7 | |a Business Intelligence |0 (DE-588)4588307-5 |2 gnd |9 rswk-swf |
| 650 | 0 | 7 | |a Künstliche Intelligenz |0 (DE-588)4033447-8 |2 gnd |9 rswk-swf |
| 650 | 0 | 7 | |a Data Mining |0 (DE-588)4428654-5 |2 gnd |9 rswk-swf |
| 653 | |a Analytics | ||
| 653 | |a Data Science | ||
| 653 | |a Data & Analytic Architekturen | ||
| 653 | |a DWH-Modernisierung und Erweiterung | ||
| 653 | |a Big Data Analytics | ||
| 653 | |a Rollen- und Organisationskonzepte | ||
| 653 | |a Fallstudien | ||
| 655 | 7 | |0 (DE-588)4143413-4 |a Aufsatzsammlung |2 gnd-content | |
| 655 | 7 | |0 (DE-588)4151278-9 |a Einführung |2 gnd-content | |
| 689 | 0 | 0 | |a Data Mining |0 (DE-588)4428654-5 |D s |
| 689 | 0 | 1 | |a Business Intelligence |0 (DE-588)4588307-5 |D s |
| 689 | 0 | 2 | |a Künstliche Intelligenz |0 (DE-588)4033447-8 |D s |
| 689 | 0 | |5 DE-604 | |
| 689 | 1 | 0 | |a Data Science |0 (DE-588)1140936166 |D s |
| 689 | 1 | 1 | |a Big Data |0 (DE-588)4802620-7 |D s |
| 689 | 1 | 2 | |a Business Intelligence |0 (DE-588)4588307-5 |D s |
| 689 | 1 | 3 | |a Data Mining |0 (DE-588)4428654-5 |D s |
| 689 | 1 | |5 DE-604 | |
| 700 | 1 | |a Haneke, Uwe |d 1964- |0 (DE-588)122150546 |4 edt | |
| 700 | 1 | |a Trahasch, Stephan |0 (DE-588)1079608842 |4 edt | |
| 700 | 1 | |a Zimmer, Michael |d 1981- |0 (DE-588)1034088351 |4 edt | |
| 700 | 1 | |a Felden, Carsten |d 1969- |0 (DE-588)1020725702 |4 edt | |
| 710 | 2 | |a Dpunkt.Verlag (Heidelberg) |0 (DE-588)6085529-0 |4 pbl | |
| 776 | 0 | 8 | |i Erscheint auch als |n Online-Ausgabe, PDF |z 978-3-96088-584-9 |
| 776 | 0 | 8 | |i Erscheint auch als |n Online-Ausgabe, ePub |z 978-3-96088-585-6 |
| 776 | 0 | 8 | |i Erscheint auch als |n Online-Ausgabe, Mobi |z 978-3-96088-586-3 |
| 856 | 4 | 2 | |m Digitalisierung UB Passau - ADAM Catalogue Enrichment |q application/pdf |u http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=030560793&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA |3 Inhaltsverzeichnis |
| 999 | |a oai:aleph.bib-bvb.de:BVB01-030560793 | ||
Datensatz im Suchindex
| _version_ | 1804178860053364736 |
|---|---|
| adam_text | IX Inhaltsverzeichnis 1 Einleitung 1 Uwe Haneke · Stephan Trahasch · Michael Zimmer ■ Carsten Felden 1.1 Von Business Intelligence zu Data Science ........................................... 1 1.2 Data Science und angrenzende Gebiete.............. 1.3 Vorgehen in Data-Science-Projekten...................................................... 9 1.4 Struktur des Buches ............................................................................. 11 2 (Advanced) Analytics is the new Bl? 15 6 Uwe Haneke 2.1 Geschichte wiederholt sich? ................................................................ 15 2.2 Die DIKW-Pyramide erklimmen.......................................................... 21 2.3 Vom Nebeneinander zum Miteinander............................................... 24 2.4 Fazit....................................................................................................... 27 3 Data Science und künstliche Intelligenz-der Schlüssel zum Erfolg? 29 Marc Beierschoder · Benjamin Diemann · Michael Zimmer 3.1 Zwischen Euphorie und Pragmatismus............................................... 3.2 Wann ist Data Science und KI das Mittel der Wahl? ........................ 31 3.3 Realistische Erwartungen und klare Herausforderungen ................. 3.4 Aus der Praxis ...................................................................................... 36 3.4.1 3.5 29 33 Die Automobilbranche als Beispiel ...................................... 37 3.4.1.1 Machen Sie Ihren Kunden ein Angebot, das sie nicht ausschlagen können.......................... 37 3.4.1.2 Spinning the
Customer Life Cycle Schaffen Sie mehr als eine Runde?........................ 38 Fazit....................................................................................................... 43
x 4 Inhaltsverzeichnis Konzeption und Entwicklung von Data-driven Products/ Datenprodukten 45 Inhaltsverzeichnis 5.3 4.1 Einleitung ................................................................................................ 45 4.2 Datenprodukte ........................................................................................ 46 4.2.1 4.2.2 4.2.3 4.3 Digitale Produktentwicklung...................................................................50 4.3.1 4.3.2 4.3.3 4.3.4 4.3.5 4.4 Definition.................................................................................46 Beispiele für Datenprodukte......................................................48 Herausforderungen des Produktmanagements für Datenprodukte.....................................................................50 Produktmanagement .............................................................. 50 Agile Entwicklung .....................................................................51 Lean Startup............................................................................. 51 Data Science............................................................................. 52 Data-centric Business Models....................................................52 4.4.2 4.4.3 4.4.4 4.4.5 4.4.6 4.4.7 Ideengenerierung für Datenprodukte entlang der Customer Journey .............................................................. 53 Value Propositions von Datenprodukten ................................ 54 Ziele und Messung.....................................................................55 Die Erwartung an die Güte
des Modellsbestimmen.................56 Mit dem Datenprodukt beginnen............................................. 56 Kontinuierliche Verbesserung mit der Datenwertschöpfungskette........................................................ 57 Skalierung und Alleinstellungsmerkmal ...................................58 4.5 Kritischer Erfolgsfaktor Feedbackschleife ...........................................58 4.6 Organisatorische Anforderungen ........................................................61 4.7 Technische Anforderungen .....................................................................63 4.8 Fazit ......................................................................................................... 63 Grundlegende Methoden der Data Science 5.5 Reinforcement Learning....................................................................... 85 5.5.1 5.5.2 5.6 5.6.2 5.7 6 5.2 Data Understanding und Data Preparation ........................................... 66 5.2.1 5.2.2 100 Deep Learning....................................................................... 100 Cognitive Computing .......................................................... 100 Fazit..................................................................................................... 100 Deep Learning 101 Klaus Dorer 6.1 Grundlagen neuronaler Netzwerke................................................... 6.1.1 6.1.2 6.1.3 6.1.4 6.2 6.4 109 Convolution-Schicht............................................................ HO Pooling-Schicht.....................................................................
112 Fully-Connected-Schicht...................................................... 113 Anwendung von Deep Learning........................................................ 113 6.3.1 6.3.2 6.3.3 6.3.4 6.3.5 6.3.6 Explorative Datenanalyse.......................................................... 68 Transformation und Normalisierung.......................................70 103 Menschliches Gehirn............................................................ 103 Modell eines Neurons.......................................................... 104 Perzeptron............................................................................. 105 Backpropagation-Netzwerke............................................... 107 Deep Convolutional Neural Networks............................................. 6.2.1 6.2.2 6.2.3 65 Einleitung .................................................................................................65 91 Ausgewählte Qualitätsmaße im Kontext von Klassifikationsaufgabenstellungen......................................... 92 Ausgewählte Qualitätsmaße im Kontext von Clusterungen . 98 Weitere Ansätze ................................................................................. 5.7.1 5.7.2 5.8 Aspekte des Reinforcement Learning.................................... 86 Bestandteile eines Reinforcement-Learning-Systems ........... 89 Evaluation ............................................................................................ 5.6.1 Stephan Trahasch · Carsten Felden 5.1 Datenaufteilung....................................................................... 71 Bias-
Variance-Tradeoff.......................................................... 74 Klassifikationsverfahren ........................................................ 75 Unüberwachte Lernverfahren und Clustering..................................... 79 6.3 5 71 5.4 Datenprodukte definieren .......................................................................53 4.4.1 Überwachte Lernverfahren.................................................................. 5.3.1 5.3.2 5.3.3 Christoph Tempich XI RoboCup ............................................................................. 113 AudiCup............................................................................... 115 Deep-Learning-Frameworks ............................................... 116 Standarddatensätze.............................................................. 118 Standardmodelle.................................................................. 118 Weitere Anwendungen ........................................................ 119 Fazit..................................................................................................... 120
xii 7 Inhaltsverzeichnis Von einer Bl-Landschaft zum Data Analytics-Ökosystem Inhaltsverzeichnis *■■■ 121 Michael Zimmer 7.1 Einleitung ...............................................................................................121 7.2 Komponenten analytischer Ökosysteme ............................................. 122 7.3 Vom Reporting zur industrialisierten Data Science ............................ 125 7.4 Data Science und Agilität....................................................................... 129 7.5 Entwicklungs-, Test- und Produktionsumgebungen für Data Science...................................................................................... 129 7.6 Fazit ....................................................................................................... 132 8 Self-Service im Data-Science-Umfeld: der emanzipierte Anwender 11 11.1 Was ist Customer Churn?.................................................................. 183 11.1.1 Wie kann Predictive Analytics bei dem Problem helfen? .. 184 11.1.2 Wie können wir Customer Churn Vorhersagen? ............... 185 11.2 Fallstudie ............................................................................................ 11.2.1 Der Beispieldatensatz .......................................................... 11.2.2 Vorverarbeitung der Daten................................................. 11.2.3 Neuronale Netze mit Keras und TensorFlow..................... 11.2.4 Stacked Ensembles mit H20............................................... 11.3 Bewertung der Customer-Churn-
Modelle......................................... 193 Uwe Haneke · Michael Zimmer Einleitung ...............................................................................................133 8.2 Self-Service-Angebote für Data Analytics .......................................135 8.3 Self-Service-Datenaufbereitung und Data Science .............................. 137 8.4 Self-Service-Datenaufbereitung vs. ETL................................................140 8.5 Data Analytics Governance...............................................................142 8.6 Bimodale Data Analytics: Segen oder Fluch?...................................144 8.7 Fazit ....................................................................................................... 146 9 Data Privacy 147 11.4 12 Die Rolle von Data Privacy für Analytics und Big Data ....................147 9.2 Rechtliche und technische Ausgestaltung von Data Privacy 9.2.1 9.2.2 9.3 Ideen generieren....................................................................... 153 Prototypen entwickeln ............................................................ 154 Implementieren der Lösung ....................................................155 9.4 Diskussion und Fazit..............................................................................157 10 Gespräch zur digitalen Ethik Matthias Haun · Gemot Meier 161 Zusammenfassung und Fazit ............................................................ 198 Wirtschaftlichkeitsbetrachtung bei der 199 12.1 Herausforderungen in der Praxis .............................. 199 12.1.1 Data-Science-
Anwendungen im Online-LEH...................... 199 12.1.2 Auswahl und Umsetzung wirtschaftlicher Anwendungsfälle................................................................... 200 12.2 Fallstudie: Kaufempfehlungssysteme im Online-Lebensmitteleinzelhandel ...................................................... 12.2.1 Vorabanalysen zur Platzierung von Empfehlungen........... 12.2.2 Prototypische Entwicklung eines Empfehlungsalgorithmus...................................................... 12.2.3 MVP und testgetriebene Entwicklung der Recommendation Engine............................................... Data Privacy im Kontext des Analytics Lifecycle.................................152 9.3.1 9.3.2 9.3.3 194 196 Nicolas March ............. 149 Rechtliche Bestimmungen zu Data Privacy .......................... 149 Technische und methodische Ansätze zur Schaffung von Data Privacy ..................................................................... 150 185 186 189 190 192 11.3.1 Kosten-Nutzen-Kalkulation................................................. 11.3.2 Erklärbarkeit von Customer-Churn-Modellen................... Auswahl Entwicklung von Data Science Eine Fallstudie im Online-Lebensmitteleinzelhandel Victoria Kayser · Damir Zubovic 9.1 183 Shirin Glander 133 8.1 Customer Churn mit Keras/TensorFlow und H20 12.3 204 205 206 207 Fazit..................................................................................................... 208
Inhaltsverzeichnis XIV 13 Analytics im Onlinehandel 209 Inhaltsverzeichnis 14.5 Mikio Braun 13.1 Einleitung .............................................................................................. 209 13.2 Maschinelles Lernen: von der Uni zu Unternehmen............................ 211 13.3 Wie arbeiten Data Scientists und Programmierer zusammen? ...........213 13.4 Architekturmuster, um maschinelle Lernmethoden produktiv zu nehmen............................................................................. 218 13.4.1 13.4.2 13.4.3 13.4.4 13.4.5 13.5 13.6 14 Architekturmuster des maschinellen Lernens ........................218 Architekturmuster, um Modelle auszuliefern ........................219 Datenvorverarbeitung und Feature-Extraktion......................220 Automation und Monitoring ................................................. 222 Integrationsmuster für maschinelles Lernen..........................222 Was kann man sonst auf Firmenebene tun, um Data Science zu unterstützen?......................................................................................223 Predictive Maintenance 225 14.1 Einleitung .............................................................................................. 225 14.2 Was ist Instandhaltung?......................................................................... 227 Instandhaltungsstrategien .....................................................................230 14.3.1 Reaktive Instandhaltung.......................................................... 231 14.3.2 Vorbeugende
Instandhaltung................................................. 231 14.3.3 Vorausschauende Instandhaltung (Predictive Maintenance) ........................................................232 14.4 15 Serum in Data-Science-Projekten 245 Caroline Kleist-Olaf Pier 15.1 Einleitung............................................................................................ 245 15.2 Kurzüberblick Serum ......................................................................... 246 15.3 Data-Science-Projekte in der Praxis ................................................. 15.4 Der Einsatz von Serum in Data-Science-Projekten .......................... 250 248 15.4.1 Eigene Adaption .................................................................. 251 15.4.2 Realisierte Vorteile .............................................................. 254 15.4.3 Herausforderungen.............................................................. 261 15.5 Empfehlungen .................................................................................... 266 15.6 Fazit..................................................................................................... 271 16 Der Analytics-Beitrag zu einer Added-Value-Strategie am Beispiel eines Kundenkartenunternehmens 273 Matthias Meyer 16.1 Geschäftsmodell eines Multipartnerprogramms .............................. 273 16.2 Kundenbindung und Kundenbindungsinstrumente.......................... 273 16.3 Funktionen und Services eines Multipartnerprogrammbetreibers .. 276 16.3.1 Funktionen
........................................................................... 276 16.3.2 Services und Vorteile aus Nutzer- und aus Partnerperspektive................................................................ 277 Prozessphasen der vorausschauenden Instandhaltung ........................233 14.4.1 Datenerfassung und -Übertragung .........................................234 14.4.2 Datenanalyse und Vorhersage ............................................... 235 14.4.2.1 Unüberwachte Verfahren .......................................236 14.4.2.2 Überwachte Verfahren ........................................... 238 14.4.3 Planung und Ausführung........................................................239 242 243 Fazit..................................................................................................... 244 14.2.1 Folgen mangelhafter Instandhaltung .....................................228 14.2.2 Wettbewerbsfähige Produktion ............................................. 229 14.3 240 240 14.6 Fazit .......................................................................................................224 Marco Huber Fallbeispiele ........................................................................................ 14.5.1 Heidelberger Druckmaschinen ........................................... 14.5.2 Verschleißmessung bei einem Werkzeugmaschinenhersteller............................................. 14.5.3 Vorausschauende Instandhaltung in der IT........................ XV 16.4 Konkrete Herausforderungen des betrachteten
Multipartnerprogrammbetreibers...................................................... 278 16.5 Added-Value-Strategie ....................................................................... 279 16.5.1 Hintergrund und Zielsetzung ............................................. 279 16.5.2 Ausgangspunkt Datenbasis................................................. 280
xvi 16.6 Inhaltsverzeichnis Püotierung ausgewählterAnalytics-Ansätze.......................................... 281 16.6.1 Analytische Ansatzpunkte ......................................................281 16.6.2 Pilotierung............................................................................... 282 16.7 Fazit .......................................................................................................286 A Autoren 289 В Abkürzungen 295 C Literaturverzeichnis 299 Index 317
|
| any_adam_object | 1 |
| author2 | Haneke, Uwe 1964- Trahasch, Stephan Zimmer, Michael 1981- Felden, Carsten 1969- |
| author2_role | edt edt edt edt |
| author2_variant | u h uh s t st m z mz c f cf |
| author_GND | (DE-588)122150546 (DE-588)1079608842 (DE-588)1034088351 (DE-588)1020725702 |
| author_facet | Haneke, Uwe 1964- Trahasch, Stephan Zimmer, Michael 1981- Felden, Carsten 1969- |
| building | Verbundindex |
| bvnumber | BV045171513 |
| classification_rvk | ST 530 QP 345 QH 500 |
| classification_tum | DAT 600f |
| ctrlnum | (OCoLC)1101132849 (DE-599)DNB1162853484 |
| discipline | Informatik Wirtschaftswissenschaften |
| edition | 1. Auflage |
| format | Book |
| fullrecord | <?xml version="1.0" encoding="UTF-8"?><collection xmlns="http://www.loc.gov/MARC21/slim"><record><leader>03382nam a2200769 c 4500</leader><controlfield tag="001">BV045171513</controlfield><controlfield tag="003">DE-604</controlfield><controlfield tag="005">20200608 </controlfield><controlfield tag="007">t</controlfield><controlfield tag="008">180907s2019 gw a||| |||| 00||| ger d</controlfield><datafield tag="015" ind1=" " ind2=" "><subfield code="a">18,N30</subfield><subfield code="2">dnb</subfield></datafield><datafield tag="016" ind1="7" ind2=" "><subfield code="a">1162853484</subfield><subfield code="2">DE-101</subfield></datafield><datafield tag="020" ind1=" " ind2=" "><subfield code="a">9783864906107</subfield><subfield code="c">hbk. : circa EUR 59.90 (DE), circa EUR 61.60 (AT)</subfield><subfield code="9">978-3-86490-610-7</subfield></datafield><datafield tag="020" ind1=" " ind2=" "><subfield code="a">3864906105</subfield><subfield code="9">3-86490-610-5</subfield></datafield><datafield tag="024" ind1="3" ind2=" "><subfield code="a">9783864906107</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(OCoLC)1101132849</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(DE-599)DNB1162853484</subfield></datafield><datafield tag="040" ind1=" " ind2=" "><subfield code="a">DE-604</subfield><subfield code="b">ger</subfield><subfield code="e">rda</subfield></datafield><datafield tag="041" ind1="0" ind2=" "><subfield code="a">ger</subfield></datafield><datafield tag="044" ind1=" " ind2=" "><subfield code="a">gw</subfield><subfield code="c">XA-DE-BW</subfield></datafield><datafield tag="049" ind1=" " ind2=" "><subfield code="a">DE-M347</subfield><subfield code="a">DE-1102</subfield><subfield code="a">DE-11</subfield><subfield code="a">DE-91G</subfield><subfield code="a">DE-706</subfield><subfield code="a">DE-1050</subfield><subfield code="a">DE-92</subfield><subfield code="a">DE-860</subfield><subfield code="a">DE-29T</subfield><subfield code="a">DE-Aug4</subfield><subfield code="a">DE-1043</subfield><subfield code="a">DE-739</subfield><subfield code="a">DE-1051</subfield><subfield code="a">DE-824</subfield><subfield code="a">DE-898</subfield><subfield code="a">DE-858</subfield><subfield code="a">DE-B768</subfield><subfield code="a">DE-N2</subfield><subfield code="a">DE-12</subfield><subfield code="a">DE-859</subfield><subfield code="a">DE-573</subfield><subfield code="a">DE-83</subfield><subfield code="a">DE-634</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">ST 530</subfield><subfield code="0">(DE-625)143679:</subfield><subfield code="2">rvk</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">QP 345</subfield><subfield code="0">(DE-625)141866:</subfield><subfield code="2">rvk</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">QH 500</subfield><subfield code="0">(DE-625)141607:</subfield><subfield code="2">rvk</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">DAT 600f</subfield><subfield code="2">stub</subfield></datafield><datafield tag="245" ind1="1" ind2="0"><subfield code="a">Data Science</subfield><subfield code="b">Grundlagen, Architekturen und Anwendungen</subfield><subfield code="c">Uwe Haneke, Stephan Trahasch, Michael Zimmer, Carsten Felden (Hrsg.)</subfield></datafield><datafield tag="250" ind1=" " ind2=" "><subfield code="a">1. Auflage</subfield></datafield><datafield tag="264" ind1=" " ind2="1"><subfield code="a">Heidelberg</subfield><subfield code="b">dpunkt.verlag</subfield><subfield code="c">2019</subfield></datafield><datafield tag="300" ind1=" " ind2=" "><subfield code="a">xvi, 320 Seiten</subfield><subfield code="b">Illustrationen, Diagramme</subfield><subfield code="c">24 cm x 16.5 cm</subfield></datafield><datafield tag="336" ind1=" " ind2=" "><subfield code="b">txt</subfield><subfield code="2">rdacontent</subfield></datafield><datafield tag="337" ind1=" " ind2=" "><subfield code="b">n</subfield><subfield code="2">rdamedia</subfield></datafield><datafield tag="338" ind1=" " ind2=" "><subfield code="b">nc</subfield><subfield code="2">rdacarrier</subfield></datafield><datafield tag="490" ind1="0" ind2=" "><subfield code="a">Edition TDWI</subfield></datafield><datafield tag="490" ind1="0" ind2=" "><subfield code="a">TDWI Wissen</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Data Science</subfield><subfield code="0">(DE-588)1140936166</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Big Data</subfield><subfield code="0">(DE-588)4802620-7</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Business Intelligence</subfield><subfield code="0">(DE-588)4588307-5</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Künstliche Intelligenz</subfield><subfield code="0">(DE-588)4033447-8</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Data Mining</subfield><subfield code="0">(DE-588)4428654-5</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Analytics</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Data Science</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Data & Analytic Architekturen</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">DWH-Modernisierung und Erweiterung</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Big Data Analytics</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Rollen- und Organisationskonzepte</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Fallstudien</subfield></datafield><datafield tag="655" ind1=" " ind2="7"><subfield code="0">(DE-588)4143413-4</subfield><subfield code="a">Aufsatzsammlung</subfield><subfield code="2">gnd-content</subfield></datafield><datafield tag="655" ind1=" " ind2="7"><subfield code="0">(DE-588)4151278-9</subfield><subfield code="a">Einführung</subfield><subfield code="2">gnd-content</subfield></datafield><datafield tag="689" ind1="0" ind2="0"><subfield code="a">Data Mining</subfield><subfield code="0">(DE-588)4428654-5</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="0" ind2="1"><subfield code="a">Business Intelligence</subfield><subfield code="0">(DE-588)4588307-5</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="0" ind2="2"><subfield code="a">Künstliche Intelligenz</subfield><subfield code="0">(DE-588)4033447-8</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="0" ind2=" "><subfield code="5">DE-604</subfield></datafield><datafield tag="689" ind1="1" ind2="0"><subfield code="a">Data Science</subfield><subfield code="0">(DE-588)1140936166</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="1" ind2="1"><subfield code="a">Big Data</subfield><subfield code="0">(DE-588)4802620-7</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="1" ind2="2"><subfield code="a">Business Intelligence</subfield><subfield code="0">(DE-588)4588307-5</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="1" ind2="3"><subfield code="a">Data Mining</subfield><subfield code="0">(DE-588)4428654-5</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="1" ind2=" "><subfield code="5">DE-604</subfield></datafield><datafield tag="700" ind1="1" ind2=" "><subfield code="a">Haneke, Uwe</subfield><subfield code="d">1964-</subfield><subfield code="0">(DE-588)122150546</subfield><subfield code="4">edt</subfield></datafield><datafield tag="700" ind1="1" ind2=" "><subfield code="a">Trahasch, Stephan</subfield><subfield code="0">(DE-588)1079608842</subfield><subfield code="4">edt</subfield></datafield><datafield tag="700" ind1="1" ind2=" "><subfield code="a">Zimmer, Michael</subfield><subfield code="d">1981-</subfield><subfield code="0">(DE-588)1034088351</subfield><subfield code="4">edt</subfield></datafield><datafield tag="700" ind1="1" ind2=" "><subfield code="a">Felden, Carsten</subfield><subfield code="d">1969-</subfield><subfield code="0">(DE-588)1020725702</subfield><subfield code="4">edt</subfield></datafield><datafield tag="710" ind1="2" ind2=" "><subfield code="a">Dpunkt.Verlag (Heidelberg)</subfield><subfield code="0">(DE-588)6085529-0</subfield><subfield code="4">pbl</subfield></datafield><datafield tag="776" ind1="0" ind2="8"><subfield code="i">Erscheint auch als</subfield><subfield code="n">Online-Ausgabe, PDF</subfield><subfield code="z">978-3-96088-584-9</subfield></datafield><datafield tag="776" ind1="0" ind2="8"><subfield code="i">Erscheint auch als</subfield><subfield code="n">Online-Ausgabe, ePub</subfield><subfield code="z">978-3-96088-585-6</subfield></datafield><datafield tag="776" ind1="0" ind2="8"><subfield code="i">Erscheint auch als</subfield><subfield code="n">Online-Ausgabe, Mobi</subfield><subfield code="z">978-3-96088-586-3</subfield></datafield><datafield tag="856" ind1="4" ind2="2"><subfield code="m">Digitalisierung UB Passau - ADAM Catalogue Enrichment</subfield><subfield code="q">application/pdf</subfield><subfield code="u">http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=030560793&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA</subfield><subfield code="3">Inhaltsverzeichnis</subfield></datafield><datafield tag="999" ind1=" " ind2=" "><subfield code="a">oai:aleph.bib-bvb.de:BVB01-030560793</subfield></datafield></record></collection> |
| genre | (DE-588)4143413-4 Aufsatzsammlung gnd-content (DE-588)4151278-9 Einführung gnd-content |
| genre_facet | Aufsatzsammlung Einführung |
| id | DE-604.BV045171513 |
| illustrated | Illustrated |
| indexdate | 2024-07-10T08:10:40Z |
| institution | BVB |
| institution_GND | (DE-588)6085529-0 |
| isbn | 9783864906107 3864906105 |
| language | German |
| oai_aleph_id | oai:aleph.bib-bvb.de:BVB01-030560793 |
| oclc_num | 1101132849 |
| open_access_boolean | |
| owner | DE-M347 DE-1102 DE-11 DE-91G DE-BY-TUM DE-706 DE-1050 DE-92 DE-860 DE-29T DE-Aug4 DE-1043 DE-739 DE-1051 DE-824 DE-898 DE-BY-UBR DE-858 DE-B768 DE-N2 DE-12 DE-859 DE-573 DE-83 DE-634 |
| owner_facet | DE-M347 DE-1102 DE-11 DE-91G DE-BY-TUM DE-706 DE-1050 DE-92 DE-860 DE-29T DE-Aug4 DE-1043 DE-739 DE-1051 DE-824 DE-898 DE-BY-UBR DE-858 DE-B768 DE-N2 DE-12 DE-859 DE-573 DE-83 DE-634 |
| physical | xvi, 320 Seiten Illustrationen, Diagramme 24 cm x 16.5 cm |
| publishDate | 2019 |
| publishDateSearch | 2019 |
| publishDateSort | 2019 |
| publisher | dpunkt.verlag |
| record_format | marc |
| series2 | Edition TDWI TDWI Wissen |
| spelling | Data Science Grundlagen, Architekturen und Anwendungen Uwe Haneke, Stephan Trahasch, Michael Zimmer, Carsten Felden (Hrsg.) 1. Auflage Heidelberg dpunkt.verlag 2019 xvi, 320 Seiten Illustrationen, Diagramme 24 cm x 16.5 cm txt rdacontent n rdamedia nc rdacarrier Edition TDWI TDWI Wissen Data Science (DE-588)1140936166 gnd rswk-swf Big Data (DE-588)4802620-7 gnd rswk-swf Business Intelligence (DE-588)4588307-5 gnd rswk-swf Künstliche Intelligenz (DE-588)4033447-8 gnd rswk-swf Data Mining (DE-588)4428654-5 gnd rswk-swf Analytics Data Science Data & Analytic Architekturen DWH-Modernisierung und Erweiterung Big Data Analytics Rollen- und Organisationskonzepte Fallstudien (DE-588)4143413-4 Aufsatzsammlung gnd-content (DE-588)4151278-9 Einführung gnd-content Data Mining (DE-588)4428654-5 s Business Intelligence (DE-588)4588307-5 s Künstliche Intelligenz (DE-588)4033447-8 s DE-604 Data Science (DE-588)1140936166 s Big Data (DE-588)4802620-7 s Haneke, Uwe 1964- (DE-588)122150546 edt Trahasch, Stephan (DE-588)1079608842 edt Zimmer, Michael 1981- (DE-588)1034088351 edt Felden, Carsten 1969- (DE-588)1020725702 edt Dpunkt.Verlag (Heidelberg) (DE-588)6085529-0 pbl Erscheint auch als Online-Ausgabe, PDF 978-3-96088-584-9 Erscheint auch als Online-Ausgabe, ePub 978-3-96088-585-6 Erscheint auch als Online-Ausgabe, Mobi 978-3-96088-586-3 Digitalisierung UB Passau - ADAM Catalogue Enrichment application/pdf http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=030560793&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA Inhaltsverzeichnis |
| spellingShingle | Data Science Grundlagen, Architekturen und Anwendungen Data Science (DE-588)1140936166 gnd Big Data (DE-588)4802620-7 gnd Business Intelligence (DE-588)4588307-5 gnd Künstliche Intelligenz (DE-588)4033447-8 gnd Data Mining (DE-588)4428654-5 gnd |
| subject_GND | (DE-588)1140936166 (DE-588)4802620-7 (DE-588)4588307-5 (DE-588)4033447-8 (DE-588)4428654-5 (DE-588)4143413-4 (DE-588)4151278-9 |
| title | Data Science Grundlagen, Architekturen und Anwendungen |
| title_auth | Data Science Grundlagen, Architekturen und Anwendungen |
| title_exact_search | Data Science Grundlagen, Architekturen und Anwendungen |
| title_full | Data Science Grundlagen, Architekturen und Anwendungen Uwe Haneke, Stephan Trahasch, Michael Zimmer, Carsten Felden (Hrsg.) |
| title_fullStr | Data Science Grundlagen, Architekturen und Anwendungen Uwe Haneke, Stephan Trahasch, Michael Zimmer, Carsten Felden (Hrsg.) |
| title_full_unstemmed | Data Science Grundlagen, Architekturen und Anwendungen Uwe Haneke, Stephan Trahasch, Michael Zimmer, Carsten Felden (Hrsg.) |
| title_short | Data Science |
| title_sort | data science grundlagen architekturen und anwendungen |
| title_sub | Grundlagen, Architekturen und Anwendungen |
| topic | Data Science (DE-588)1140936166 gnd Big Data (DE-588)4802620-7 gnd Business Intelligence (DE-588)4588307-5 gnd Künstliche Intelligenz (DE-588)4033447-8 gnd Data Mining (DE-588)4428654-5 gnd |
| topic_facet | Data Science Big Data Business Intelligence Künstliche Intelligenz Data Mining Aufsatzsammlung Einführung |
| url | http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=030560793&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA |
| work_keys_str_mv | AT hanekeuwe datasciencegrundlagenarchitekturenundanwendungen AT trahaschstephan datasciencegrundlagenarchitekturenundanwendungen AT zimmermichael datasciencegrundlagenarchitekturenundanwendungen AT feldencarsten datasciencegrundlagenarchitekturenundanwendungen AT dpunktverlagheidelberg datasciencegrundlagenarchitekturenundanwendungen |