Verfügbarkeit: Predictive Analytics und Data Mining

Predictive Analytics und Data Mining: eine Einführung mit R

Gespeichert in:

Bibliographische Detailangaben
1. Verfasser:	Hude, Marlis von der 1953- (VerfasserIn)
Format:	Buch
Sprache:	German
Veröffentlicht:	Wiesbaden Springer Vieweg [2020]
Schlagworte:	Deskriptive Statistik Automatische Klassifikation Cluster-Analyse Maschinelles Lernen Prognoseverfahren Datenanalyse Mustererkennung R > Programm Data Mining Klassifikations- und Regressionsbaum Lehrbuch
Online-Zugang:	Inhaltstext http://www.springer.com/ Inhaltsverzeichnis
Beschreibung:	XI, 224 Seiten Illustrationen, Diagramme
ISBN:	9783658301521 365830152X

Internformat

MARC


LEADER	00000nam a22000008c 4500
001	BV046875868
003	DE-604
005	20201218
007	t
008	200831s2020 gw a\|\|\| \|\|\|\| 00\|\|\| ger d
015			\|a 20,N15 \|2 dnb
016	7		\|a 1207488976 \|2 DE-101
020			\|a 9783658301521 \|c pbk \|9 978-3-658-30152-1
020			\|a 365830152X \|9 3-658-30152-X
035			\|a (OCoLC)1196824202
035			\|a (DE-599)DNB1207488976
040			\|a DE-604 \|b ger \|e rda
041	0		\|a ger
044			\|a gw \|c XA-DE-HE
049			\|a DE-Aug4 \|a DE-945 \|a DE-739 \|a DE-12
084			\|a ST 601 \|0 (DE-625)143682: \|2 rvk
084			\|a ST 250 \|0 (DE-625)143626: \|2 rvk
084			\|a 004 \|2 sdnb
100	1		\|a Hude, Marlis von der \|d 1953- \|e Verfasser \|0 (DE-588)1207900419 \|4 aut
245	1	0	\|a Predictive Analytics und Data Mining \|b eine Einführung mit R \|c Marlis von der Hude
264		1	\|a Wiesbaden \|b Springer Vieweg \|c [2020]
264		4	\|c © 2020
300			\|a XI, 224 Seiten \|b Illustrationen, Diagramme
336			\|b txt \|2 rdacontent
337			\|b n \|2 rdamedia
338			\|b nc \|2 rdacarrier
650	0	7	\|a Deskriptive Statistik \|0 (DE-588)4070313-7 \|2 gnd \|9 rswk-swf
650	0	7	\|a Automatische Klassifikation \|0 (DE-588)4120957-6 \|2 gnd \|9 rswk-swf
650	0	7	\|a Cluster-Analyse \|0 (DE-588)4070044-6 \|2 gnd \|9 rswk-swf
650	0	7	\|a Maschinelles Lernen \|0 (DE-588)4193754-5 \|2 gnd \|9 rswk-swf
650	0	7	\|a Prognoseverfahren \|0 (DE-588)4358095-6 \|2 gnd \|9 rswk-swf
650	0	7	\|a Datenanalyse \|0 (DE-588)4123037-1 \|2 gnd \|9 rswk-swf
650	0	7	\|a Mustererkennung \|0 (DE-588)4040936-3 \|2 gnd \|9 rswk-swf
650	0	7	\|a R \|g Programm \|0 (DE-588)4705956-4 \|2 gnd \|9 rswk-swf
650	0	7	\|a Data Mining \|0 (DE-588)4428654-5 \|2 gnd \|9 rswk-swf
650	0	7	\|a Klassifikations- und Regressionsbaum \|0 (DE-588)7549235-0 \|2 gnd \|9 rswk-swf
655		7	\|0 (DE-588)4123623-3 \|a Lehrbuch \|2 gnd-content
689	0	0	\|a Data Mining \|0 (DE-588)4428654-5 \|D s
689	0	1	\|a Mustererkennung \|0 (DE-588)4040936-3 \|D s
689	0	2	\|a Prognoseverfahren \|0 (DE-588)4358095-6 \|D s
689	0	3	\|a Maschinelles Lernen \|0 (DE-588)4193754-5 \|D s
689	0	4	\|a R \|g Programm \|0 (DE-588)4705956-4 \|D s
689	0		\|5 DE-604
689	1	0	\|a Datenanalyse \|0 (DE-588)4123037-1 \|D s
689	1	1	\|a Data Mining \|0 (DE-588)4428654-5 \|D s
689	1	2	\|a R \|g Programm \|0 (DE-588)4705956-4 \|D s
689	1	3	\|a Deskriptive Statistik \|0 (DE-588)4070313-7 \|D s
689	1	4	\|a Cluster-Analyse \|0 (DE-588)4070044-6 \|D s
689	1	5	\|a Prognoseverfahren \|0 (DE-588)4358095-6 \|D s
689	1	6	\|a Klassifikations- und Regressionsbaum \|0 (DE-588)7549235-0 \|D s
689	1	7	\|a Automatische Klassifikation \|0 (DE-588)4120957-6 \|D s
689	1		\|5 DE-604
710	2		\|a Springer Fachmedien Wiesbaden \|0 (DE-588)1043386068 \|4 pbl
776	0	8	\|i Erscheint auch als \|n Online-Ausgabe \|z 978-3-658-30153-8
856	4	2	\|m X:MVB \|q text/html \|u http://deposit.dnb.de/cgi-bin/dokserv?id=351e77f160904155bc81f7d358867a53&prov=M&dok_var=1&dok_ext=htm \|3 Inhaltstext
856	4	2	\|m X:MVB \|u http://www.springer.com/
856	4	2	\|m DNB Datenaustausch \|q application/pdf \|u http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=032285962&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA \|3 Inhaltsverzeichnis
999			\|a oai:aleph.bib-bvb.de:BVB01-032285962

Datensatz im Suchindex

_version_	1804181728302989312
adam_text	INHALTSVERZEICHNIS 1 DATA SCIENCE, PREDICTIVE ANALYTICS ODER EINFACH: - DATENANALYSE - ........... 1 1.1 BEISPIELDATEIEN .......................................................................................... 2 1.2 UEBERBLICK UEBER DIE VERFAHREN UND BEZEICHNUNGEN ................................... 3 1.3 REGRESSIONS-UND KLASSIFIKATIONSFRAGESTELLUNGEN .................................... 5 1.4 LITERATURUEBERSICHT ..................................................................................... 6 TEIL I DESKRIPTIVE VERFAHREN 2 DESKRIPTIVE STATISTIK/EXPLORATIVE DATENANALYSE - MIT EINER KURZEN EINFUEHRUNG IN R .................................................................................................... 11 2.1 EINE KURZE EINFUEHRUNG IN R MIT ANWENDUNG AUF STATISTISCHE MASSZAHLEN UND GRAFIKEN ........................................................................... 11 2.1.1 ERSTE SCHRITTE - EINGABE VON WERTEN, GRUNDRECHENARTEN ........ 12 2.1.2 ZUWEISUNGEN, VARIABIENNAMEN, EINFACHE DATENEINGABE UND STATISTISCHE MASSZAHLEN ............................... 12 2.1.3 DATAFRAME ERSTELLEN, SPEICHERN UND EINLESEN ............................. 13 2.1.4 DATENSELEKTION ............................................................................. 13 2.1.4.1 SELEKTIVE AUSWAHL VON VEKTORKOMPONENTEN UND DATENSAETZEN (ZEILEN) DES DATAFRAMES ..................... 14 2.1.4.2 SELEKTIVE AUSWAHL DURCH LOGISCHE ABFRAGEN .......... 14 2.1.5 LAGEPARAMETER .............................................................................. 15 2.1.6 EINIGE STREUUNGSPARAMETER ........................................................ 16 2.1.7 BEISPIELDATEI STUDIS200 ALS DATENMATRIX ............................. 17 2.1.8 ELEMENTARE GRAFIKEN UND HAEUFIGKEITSTABELLEN ......................... 18 2.1.8.1 UNIVARIATE ANALYSEN ................................................. 18 2.1.8.2 GRAFIKEN FUER QUANTITATIVE VARIABLEN ........................ 18 2.1.8.3 HISTOGRAMM ............................................................. 19 2.1.8.4 EIN GEGLAETTETES HISTOGRAMM: KERNDICHTE ................ 19 2.1.8.5 BOXPLOT ...................................................................... 20 VII VIII INHALTSVERZEICHNIS 2.1.8.6 HAEUFIGKEITSTABELLEN UND GRAFIKEN FUER QUALITATIVE VARIABLEN - STABDIAGRAMME (BARPLOTS)- ............... 21 2.1.8.7 BIVARIATE ANALYSE ..................................................... 22 2.1.8.8 ZWEI QUALITATIVE VARIABLEN ....................................... 22 2.1.8.9 QUANTITATIVE VARIABLEN IN VERSCHIEDENEN KATEGORIEN - BOXPLOTS ............................................ 23 2.1.8.10 ZWEI QUANTITATIVE VARIABLEN - STREUDIAGRAMM (SCATTERPLOT) ............................................................ 24 2.1.9 GRAFIKEN MIT DER LIBRARY GGPLOT2 ................................................. 25 2.1.9.1 DATEN EINLESEN: ......................................................... 27 2.1.9.2 HISTOGRAMM .............................................................. 27 2.1.9.3 HISTOGRAMM MIT HAEUFIGKEITSDICHTE ........................ 28 2.1.9.4 BOXPLOT ...................................................................... 28 2.1.9.5 VIOLINPLOT .................................................................. 29 2.1.9.6 BARPLOT ...................................................................... 29 2.1.9.7 STREUDIAGRAMM ......................................................... 30 2.2 FEHLENDE WERTE, AUSREISSER, DATENTRANSFORMATION ................................... 31 2.2.1 FEHLENDE WERTE ........................................................................... 31 2.2.2 AUSREISSER UND DATENTRANSFORMATION .......................................... 31 3 KORRELATION ............................................................................................................. 33 3.1 KOVARIANZ, KORRELATIONSKOEFFIZIENT .......................................................... 33 3.1.1 EIGENSCHAFTEN DES KORRELATIONSKOEFFIZIENTEN ........................... 35 3.1.2 SCHEINKORRELATIONEN ................................................................... 36 3.1.3 KOVARIANZ- UND KORRELATIONSMATRIX BEI P QUANTITATIVEN VARIABLEN ..................................................................................... 37 3.2 RANGKORRELATION FUER MONOTONE ZUSAMMENHAENGE ................................... 39 TEIL II CLUSTERVERFAHREN 4 DISTANZENZWISCHENOBJEKTEN ............................................................................ 43 4.1 DISTANZMATRIX ............................................................................................ 43 4.2 DISTANZMASSE FUER QUANTITATIVE MERKMALE .................................................. 44 4.3 DISTANZMASSE FUER QUALITATIVE MERKMALE .................................................... 47 4.4 DISTANZEN BEI UNTERSCHIEDLICHEN MESSNIVEAUS DER MERKMALE ............... 47 5 CLUSTERANALYSE ........................................................................................................ 49 5.1 EINTEILUNG DER KLASSISCHEN CLUSTERANALYSEVERFAHREN ............................... 49 5.2 HIERARCHISCHE VERFAHREN ........................................................................... 50 5.2.1 HIERARCHISCHE AGGLOMERATIVE VERFAHREN ................................... 50 5.2.1.1 MESSUNG DER DISTANZ ZWISCHEN CLUSTERN ............... 51 5.2.2 HIERARCHISCHES DIVISIVES VERFAHREN ............................................ 57 INHALTSVERZEICHNIS IX 5.3 PARTITIONIERENDE VERFAHREN ......................................................................... 58 5.3.1 K-MEANS UND K-MEDOID-VERFAHREN ................................... 58 5.3.2 BEURTEILUNG DER CLUSTERLOESUNG - WIEVIEL CLUSTER SOLLTEN GEBILDET WERDEN ........................................................................... 59 5.3.2.1 SUMME DER WITHIN-CLUSTER-SUMS-OF-SQUARES ........ 59 5.3.3 FUZZY-CLUSTERN ........................................................................... 62 5.4 DICHTE-BASIERTES CLUSTERN ......................................................................... 65 5.5 VERGLEICH DER VERFAHREN ANHAND DER DATEI CARS93 ................................. 74 TEIL III DIMENSIONSREDUKTION 6 DIMENSIONSREDUKTION - HAUPTKOMPONENTENANALYSE ENGLISCH: PRINCIPAL COMPONENTS (PCA) .............................................................................. 83 6.1 ANWENDUNGEN DER HAUPTKOMPONENTENANALYSE ........................................ 83 6.2 PRINZIP DER HAUPTKOMPONENTENANALYSE .................................................. 84 6.3 BEISPIEL: ZWEIDIMENSIONALE DATEN .......................................................... 87 6.4 BEISPIEL: 256-DIMENSIONALE DATEN .......................................................... 88 6.5 BEISPIEL: AUTODATEN CARS93 ....................................................................... 90 TEIL IV PRAEDIKTIVE VERFAHREN 7 PRAEDIKTIVE VERFAHREN: KLASSIFIKATION UND REGRESSION ................................... 95 7.1 ANWENDUNGSBEISPIELE UND UEBERSICHT UEBER DIE VERFAHREN ....................... 95 8 ^-NAECHSTE NACHBARN (K NEAREST NEIGHBOURS) .................................................... 99 8.1 ^-NAECHSTE NACHBARN FUER KLASSIFIKATION .................................................... 99 8.1.1 WAHL VON K ................................................................................... 100 8.1.2 PROGNOSEGUETE ............................................................................... 101 8.2 AE;-NAECHSTE NACHBARN FUER REGRESSION .......................................................... 103 8.2.1 VORGEHENSWEISE ........................................................................... 103 8.2.2 PROGNOSEGUETE ............................................................................... 104 8.2.3 BEISPIEL ....................................................................................... 105 9 REGRESSIONSANALYSE - EIN KLASSISCHES VERFAHREN DER STATISTIK .................... 107 9.1 LINEARE REGRESSION MIT EINER EINFLUSSVARIABLEN ..................................... 107 9.1.1 BESTIMMTHEITSMASS ZUM VERGLEICH VERSCHIEDENER MODELLANSAETZE ............................................................................. 110 9.2 POLYNOMIALE REGRESSION MIT EINER EINLUSSVARIABLEN ............................... 113 9.3 MULTIPLE REGRESSION ................................................................................. 114 9.3.1 MODELLBESCHREIBUNG .................................................................. 114 9.3.2 VARIABIENSELEKTION ....................................................................... 116 9.3.3 BEISPIEL ....................................................................................... 117 X INHALTSVERZEICHNIS 10 LOGISTISCHE REGRESSION - EIN PROGNOSEVERFAHREN FUER DIE KLASSIFIKATIONSFRAGESTELLUNG ................................................................................. 125 10.1 MODELLBESCHREIBUNG ................................................................................. 125 10.2 SCHAETZUNG DER MODELLPARAMETER ............................................................... 128 10.3 BEISPIEL ...................................................................................................... 128 11 KLASSIFIKATION- UND REGRESSIONSBAEUME (TREES) .............................................. 137 11.1 KLASSIFIKATIONSBAEUME ............................................................................... 137 11.1.1 ERZEUGUNG DES KLASSIFIKATIONSBAUMS ........................................ 138 11.1.1.1 HETEROGENITAETSMASSE ................................................ 139 11.1.1.2 KNOTENSPLITTING UND ZUORDNUNG DES KLASSENLABELS ........................................................... 140 11.1.1.3 WIEVIEL MOEGLICHKEITEN ZUM SPLITTING GIBT ES BEI EINEM MERKMAL? .................................... 142 11.1.1.4 BEISPIEL ..................................................................... 142 11.1.2 EVALUATION DES KLASSIFIKATIONSMODELLS ...................................... 144 11.1.2.1 TRAININGS-, VALIDIERUNGS- UND TESTDATEN ................. 145 11.1.2.2 KREUZVALIDIERUNG (CROSS VALIDATION ) ....................... 146 11.1.2.3 ANWENDUNG DER KREUZVALIDIERUNG AUF DIE BESTIMMUNG DER OPTIMALEN GROESSE VON KLASSIFIKATIONSBAEUMEN ............................................ 147 11.1.3 EVALUATION DER KLASSIFIKATIONSMETHODE - WEITERE PERFORMANCEMASSE ....................................................................... 149 11.1.3.1 PRAEZISION, SENSITIVITAET, SPEZIFITAET ........................... 151 11.1.3.2 INTERPRETATION DER MASSE .......................................... 151 11.1.3.3 ROC-KURVE ............................................................ 154 11.1.3.4 F-MASS ....................................................................... 155 11.1.3.5 LIFT ........................................................................... 156 11.1.4 DER EINSATZ VON FEHLKLASSIFIKATIONSKOSTEN ............................... 156 11.1.5 A-PRIORI-WAHRSCHEINLICHKEITEN (PRIORS) ...................................... 159 11.2 RANDOM FORESTS (ZUFALLSWAELDER ) .......................................................... 162 11.2.1 AUFBAU, PROGNOSE DER KLASSENLABEL UND EVALUATION DER PROGNOSEGUETE ............................................................................... 162 11.2.2 WICHTIGKEIT DER VARIABLEN (IMPORTANCE) ..................................... 164 11.2.3 ENSEMBLE METHODEN ................................................................... 165 11.3 REGRESSIONSBAEUME ..................................................................................... 166 12 NAIVES BAYES-KLASSIFIKATIONSVERFAHREN ............................................................. 171 12.1 BAYES-FORMEL, SCHAETZUNG DER WAHRSCHEINLICHKEITEN ............................. 171 12.2 BEISPIEL ...................................................................................................... 174 INHALTSVERZEICHNIS XI 13 SUPPORT-VECTOR-MACHINES ................................................................................... 179 13.1 PRINZIP DER TRENNUNG DER KLASSEN ................................................... 179 13.2 LINEAR TRENNBARE DATEN ............................................................................. 182 13.3 LINEARE TRENNBARKEIT MIT AUSNAHMEPUNKTEN .......................................... 185 13.4 NICHT LINEAR TRENNBARE BEREICHE ............................................................... 186 13.5 BEISPIEL: DATEN DER XOR-KONSTELLATION .................................................. 189 13.5.1 LINEARER KEM ............................................................................. 191 13.5.2 POLYNOMIALER KEM ..................................................................... 192 13.5.3 RADIAL-BASIS-FUNKTIONEN ............................................................ 194 13.6 SUPPORT VECTOR MACHINES FUER MEHR ALS ZWEI KLASSEN .............................. 198 14 NEURONALE NETZE .................................................................................................... 201 14.1 AUFBAU VON NEURONALEN NETZEN ................................................................. 201 14.2 AKTIVIERUNGSFUNKTION ............................................................................... 204 14.3 OPTIMIERUNG VON NEURONALEN NETZEN ...................................................... 205 14.4 BEISPIEL ...................................................................................................... 209 15 EMPIRISCHER VERGLEICH DER PERFORMANCE VERSCHIEDENER KLASSIFIKATIONS VERFAHREN ......................................................................................... 211 15.1 VERSUCHSANSATZ .......................................................................................... 211 15.2 ERGEBNISSE .................................................................................................. 212 15.2.1 VERTEILUNG DER FEHLKLASSIFIKATIONSRATEN ..................................... 212 15.2.2 VERTEILUNG DER DIFFERENZEN DER FEHLKLASSIFIKATIONSRATEN ........... 214 15.2.3 KONFIDENZINTERVALL FUER DIE MITTLERE DIFFERENZ - BLAND-ALTMAN-PLOTS ................................................................... 216 15.2.3.1 DAS KONFIDENZINTERVALL ............................................ 216 LITERATUR ............................................................ 219 STICHWORTVERZEICHNIS ........................................................................................................ 221
adam_txt	INHALTSVERZEICHNIS 1 DATA SCIENCE, PREDICTIVE ANALYTICS ODER EINFACH: - DATENANALYSE - . 1 1.1 BEISPIELDATEIEN . 2 1.2 UEBERBLICK UEBER DIE VERFAHREN UND BEZEICHNUNGEN . 3 1.3 REGRESSIONS-UND KLASSIFIKATIONSFRAGESTELLUNGEN . 5 1.4 LITERATURUEBERSICHT . 6 TEIL I DESKRIPTIVE VERFAHREN 2 DESKRIPTIVE STATISTIK/EXPLORATIVE DATENANALYSE - MIT EINER KURZEN EINFUEHRUNG IN R . 11 2.1 EINE KURZE EINFUEHRUNG IN R MIT ANWENDUNG AUF STATISTISCHE MASSZAHLEN UND GRAFIKEN . 11 2.1.1 ERSTE SCHRITTE - EINGABE VON WERTEN, GRUNDRECHENARTEN . 12 2.1.2 ZUWEISUNGEN, VARIABIENNAMEN, EINFACHE DATENEINGABE UND STATISTISCHE MASSZAHLEN . 12 2.1.3 DATAFRAME ERSTELLEN, SPEICHERN UND EINLESEN . 13 2.1.4 DATENSELEKTION . 13 2.1.4.1 SELEKTIVE AUSWAHL VON VEKTORKOMPONENTEN UND DATENSAETZEN (ZEILEN) DES DATAFRAMES . 14 2.1.4.2 SELEKTIVE AUSWAHL DURCH LOGISCHE ABFRAGEN . 14 2.1.5 LAGEPARAMETER . 15 2.1.6 EINIGE STREUUNGSPARAMETER . 16 2.1.7 BEISPIELDATEI STUDIS200 ALS DATENMATRIX . 17 2.1.8 ELEMENTARE GRAFIKEN UND HAEUFIGKEITSTABELLEN . 18 2.1.8.1 UNIVARIATE ANALYSEN . 18 2.1.8.2 GRAFIKEN FUER QUANTITATIVE VARIABLEN . 18 2.1.8.3 HISTOGRAMM . 19 2.1.8.4 EIN GEGLAETTETES HISTOGRAMM: KERNDICHTE . 19 2.1.8.5 BOXPLOT . 20 VII VIII INHALTSVERZEICHNIS 2.1.8.6 HAEUFIGKEITSTABELLEN UND GRAFIKEN FUER QUALITATIVE VARIABLEN - STABDIAGRAMME (BARPLOTS)- . 21 2.1.8.7 BIVARIATE ANALYSE . 22 2.1.8.8 ZWEI QUALITATIVE VARIABLEN . 22 2.1.8.9 QUANTITATIVE VARIABLEN IN VERSCHIEDENEN KATEGORIEN - BOXPLOTS . 23 2.1.8.10 ZWEI QUANTITATIVE VARIABLEN - STREUDIAGRAMM (SCATTERPLOT) . 24 2.1.9 GRAFIKEN MIT DER LIBRARY GGPLOT2 . 25 2.1.9.1 DATEN EINLESEN: . 27 2.1.9.2 HISTOGRAMM . 27 2.1.9.3 HISTOGRAMM MIT HAEUFIGKEITSDICHTE . 28 2.1.9.4 BOXPLOT . 28 2.1.9.5 VIOLINPLOT . 29 2.1.9.6 BARPLOT . 29 2.1.9.7 STREUDIAGRAMM . 30 2.2 FEHLENDE WERTE, AUSREISSER, DATENTRANSFORMATION . 31 2.2.1 FEHLENDE WERTE . 31 2.2.2 AUSREISSER UND DATENTRANSFORMATION . 31 3 KORRELATION . 33 3.1 KOVARIANZ, KORRELATIONSKOEFFIZIENT . 33 3.1.1 EIGENSCHAFTEN DES KORRELATIONSKOEFFIZIENTEN . 35 3.1.2 SCHEINKORRELATIONEN . 36 3.1.3 KOVARIANZ- UND KORRELATIONSMATRIX BEI P QUANTITATIVEN VARIABLEN . 37 3.2 RANGKORRELATION FUER MONOTONE ZUSAMMENHAENGE . 39 TEIL II CLUSTERVERFAHREN 4 DISTANZENZWISCHENOBJEKTEN . 43 4.1 DISTANZMATRIX . 43 4.2 DISTANZMASSE FUER QUANTITATIVE MERKMALE . 44 4.3 DISTANZMASSE FUER QUALITATIVE MERKMALE . 47 4.4 DISTANZEN BEI UNTERSCHIEDLICHEN MESSNIVEAUS DER MERKMALE . 47 5 CLUSTERANALYSE . 49 5.1 EINTEILUNG DER KLASSISCHEN CLUSTERANALYSEVERFAHREN . 49 5.2 HIERARCHISCHE VERFAHREN . 50 5.2.1 HIERARCHISCHE AGGLOMERATIVE VERFAHREN . 50 5.2.1.1 MESSUNG DER DISTANZ ZWISCHEN CLUSTERN . 51 5.2.2 HIERARCHISCHES DIVISIVES VERFAHREN . 57 INHALTSVERZEICHNIS IX 5.3 PARTITIONIERENDE VERFAHREN . 58 5.3.1 K-MEANS UND K-MEDOID-VERFAHREN . 58 5.3.2 BEURTEILUNG DER CLUSTERLOESUNG - WIEVIEL CLUSTER SOLLTEN GEBILDET WERDEN . 59 5.3.2.1 SUMME DER WITHIN-CLUSTER-SUMS-OF-SQUARES . 59 5.3.3 FUZZY-CLUSTERN . 62 5.4 DICHTE-BASIERTES CLUSTERN . 65 5.5 VERGLEICH DER VERFAHREN ANHAND DER DATEI CARS93 . 74 TEIL III DIMENSIONSREDUKTION 6 DIMENSIONSREDUKTION - HAUPTKOMPONENTENANALYSE ENGLISCH: PRINCIPAL COMPONENTS (PCA) . 83 6.1 ANWENDUNGEN DER HAUPTKOMPONENTENANALYSE . 83 6.2 PRINZIP DER HAUPTKOMPONENTENANALYSE . 84 6.3 BEISPIEL: ZWEIDIMENSIONALE DATEN . 87 6.4 BEISPIEL: 256-DIMENSIONALE DATEN . 88 6.5 BEISPIEL: AUTODATEN CARS93 . 90 TEIL IV PRAEDIKTIVE VERFAHREN 7 PRAEDIKTIVE VERFAHREN: KLASSIFIKATION UND REGRESSION . 95 7.1 ANWENDUNGSBEISPIELE UND UEBERSICHT UEBER DIE VERFAHREN . 95 8 ^-NAECHSTE NACHBARN (K NEAREST NEIGHBOURS) . 99 8.1 ^-NAECHSTE NACHBARN FUER KLASSIFIKATION . 99 8.1.1 WAHL VON K . 100 8.1.2 PROGNOSEGUETE . 101 8.2 AE;-NAECHSTE NACHBARN FUER REGRESSION . 103 8.2.1 VORGEHENSWEISE . 103 8.2.2 PROGNOSEGUETE . 104 8.2.3 BEISPIEL . 105 9 REGRESSIONSANALYSE - EIN KLASSISCHES VERFAHREN DER STATISTIK . 107 9.1 LINEARE REGRESSION MIT EINER EINFLUSSVARIABLEN . 107 9.1.1 BESTIMMTHEITSMASS ZUM VERGLEICH VERSCHIEDENER MODELLANSAETZE . 110 9.2 POLYNOMIALE REGRESSION MIT EINER EINLUSSVARIABLEN . 113 9.3 MULTIPLE REGRESSION . 114 9.3.1 MODELLBESCHREIBUNG . 114 9.3.2 VARIABIENSELEKTION . 116 9.3.3 BEISPIEL . 117 X INHALTSVERZEICHNIS 10 LOGISTISCHE REGRESSION - EIN PROGNOSEVERFAHREN FUER DIE KLASSIFIKATIONSFRAGESTELLUNG . 125 10.1 MODELLBESCHREIBUNG . 125 10.2 SCHAETZUNG DER MODELLPARAMETER . 128 10.3 BEISPIEL . 128 11 KLASSIFIKATION- UND REGRESSIONSBAEUME (TREES) . 137 11.1 KLASSIFIKATIONSBAEUME . 137 11.1.1 ERZEUGUNG DES KLASSIFIKATIONSBAUMS . 138 11.1.1.1 HETEROGENITAETSMASSE . 139 11.1.1.2 KNOTENSPLITTING UND ZUORDNUNG DES KLASSENLABELS . 140 11.1.1.3 WIEVIEL MOEGLICHKEITEN ZUM SPLITTING GIBT ES BEI EINEM MERKMAL? . 142 11.1.1.4 BEISPIEL . 142 11.1.2 EVALUATION DES KLASSIFIKATIONSMODELLS . 144 11.1.2.1 TRAININGS-, VALIDIERUNGS- UND TESTDATEN . 145 11.1.2.2 KREUZVALIDIERUNG (CROSS VALIDATION ) . 146 11.1.2.3 ANWENDUNG DER KREUZVALIDIERUNG AUF DIE BESTIMMUNG DER OPTIMALEN GROESSE VON KLASSIFIKATIONSBAEUMEN . 147 11.1.3 EVALUATION DER KLASSIFIKATIONSMETHODE - WEITERE PERFORMANCEMASSE . 149 11.1.3.1 PRAEZISION, SENSITIVITAET, SPEZIFITAET . 151 11.1.3.2 INTERPRETATION DER MASSE . 151 11.1.3.3 ROC-KURVE . 154 11.1.3.4 F-MASS . 155 11.1.3.5 LIFT . 156 11.1.4 DER EINSATZ VON FEHLKLASSIFIKATIONSKOSTEN . 156 11.1.5 A-PRIORI-WAHRSCHEINLICHKEITEN (PRIORS) . 159 11.2 RANDOM FORESTS (ZUFALLSWAELDER ) . 162 11.2.1 AUFBAU, PROGNOSE DER KLASSENLABEL UND EVALUATION DER PROGNOSEGUETE . 162 11.2.2 WICHTIGKEIT DER VARIABLEN (IMPORTANCE) . 164 11.2.3 ENSEMBLE METHODEN . 165 11.3 REGRESSIONSBAEUME . 166 12 NAIVES BAYES-KLASSIFIKATIONSVERFAHREN . 171 12.1 BAYES-FORMEL, SCHAETZUNG DER WAHRSCHEINLICHKEITEN . 171 12.2 BEISPIEL . 174 INHALTSVERZEICHNIS XI 13 SUPPORT-VECTOR-MACHINES . 179 13.1 PRINZIP DER TRENNUNG DER KLASSEN . 179 13.2 LINEAR TRENNBARE DATEN . 182 13.3 LINEARE TRENNBARKEIT MIT AUSNAHMEPUNKTEN . 185 13.4 NICHT LINEAR TRENNBARE BEREICHE . 186 13.5 BEISPIEL: DATEN DER XOR-KONSTELLATION . 189 13.5.1 LINEARER KEM . 191 13.5.2 POLYNOMIALER KEM . 192 13.5.3 RADIAL-BASIS-FUNKTIONEN . 194 13.6 SUPPORT VECTOR MACHINES FUER MEHR ALS ZWEI KLASSEN . 198 14 NEURONALE NETZE . 201 14.1 AUFBAU VON NEURONALEN NETZEN . 201 14.2 AKTIVIERUNGSFUNKTION . 204 14.3 OPTIMIERUNG VON NEURONALEN NETZEN . 205 14.4 BEISPIEL . 209 15 EMPIRISCHER VERGLEICH DER PERFORMANCE VERSCHIEDENER KLASSIFIKATIONS VERFAHREN . 211 15.1 VERSUCHSANSATZ . 211 15.2 ERGEBNISSE . 212 15.2.1 VERTEILUNG DER FEHLKLASSIFIKATIONSRATEN . 212 15.2.2 VERTEILUNG DER DIFFERENZEN DER FEHLKLASSIFIKATIONSRATEN . 214 15.2.3 KONFIDENZINTERVALL FUER DIE MITTLERE DIFFERENZ - BLAND-ALTMAN-PLOTS . 216 15.2.3.1 DAS KONFIDENZINTERVALL . 216 LITERATUR . 219 STICHWORTVERZEICHNIS . 221
any_adam_object	1
any_adam_object_boolean	1
author	Hude, Marlis von der 1953-
author_GND	(DE-588)1207900419
author_facet	Hude, Marlis von der 1953-
author_role	aut
author_sort	Hude, Marlis von der 1953-
author_variant	m v d h mvd mvdh
building	Verbundindex
bvnumber	BV046875868
classification_rvk	ST 601 ST 250
ctrlnum	(OCoLC)1196824202 (DE-599)DNB1207488976
discipline	Informatik
discipline_str_mv	Informatik
format	Book
fullrecord	<?xml version="1.0" encoding="UTF-8"?><collection xmlns="http://www.loc.gov/MARC21/slim"><record><leader>03208nam a22007218c 4500</leader><controlfield tag="001">BV046875868</controlfield><controlfield tag="003">DE-604</controlfield><controlfield tag="005">20201218 </controlfield><controlfield tag="007">t</controlfield><controlfield tag="008">200831s2020 gw a\|\|\| \|\|\|\| 00\|\|\| ger d</controlfield><datafield tag="015" ind1=" " ind2=" "><subfield code="a">20,N15</subfield><subfield code="2">dnb</subfield></datafield><datafield tag="016" ind1="7" ind2=" "><subfield code="a">1207488976</subfield><subfield code="2">DE-101</subfield></datafield><datafield tag="020" ind1=" " ind2=" "><subfield code="a">9783658301521</subfield><subfield code="c">pbk</subfield><subfield code="9">978-3-658-30152-1</subfield></datafield><datafield tag="020" ind1=" " ind2=" "><subfield code="a">365830152X</subfield><subfield code="9">3-658-30152-X</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(OCoLC)1196824202</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(DE-599)DNB1207488976</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-HE</subfield></datafield><datafield tag="049" ind1=" " ind2=" "><subfield code="a">DE-Aug4</subfield><subfield code="a">DE-945</subfield><subfield code="a">DE-739</subfield><subfield code="a">DE-12</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">ST 601</subfield><subfield code="0">(DE-625)143682:</subfield><subfield code="2">rvk</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">ST 250</subfield><subfield code="0">(DE-625)143626:</subfield><subfield code="2">rvk</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">004</subfield><subfield code="2">sdnb</subfield></datafield><datafield tag="100" ind1="1" ind2=" "><subfield code="a">Hude, Marlis von der</subfield><subfield code="d">1953-</subfield><subfield code="e">Verfasser</subfield><subfield code="0">(DE-588)1207900419</subfield><subfield code="4">aut</subfield></datafield><datafield tag="245" ind1="1" ind2="0"><subfield code="a">Predictive Analytics und Data Mining</subfield><subfield code="b">eine Einführung mit R</subfield><subfield code="c">Marlis von der Hude</subfield></datafield><datafield tag="264" ind1=" " ind2="1"><subfield code="a">Wiesbaden</subfield><subfield code="b">Springer Vieweg</subfield><subfield code="c">[2020]</subfield></datafield><datafield tag="264" ind1=" " ind2="4"><subfield code="c">© 2020</subfield></datafield><datafield tag="300" ind1=" " ind2=" "><subfield code="a">XI, 224 Seiten</subfield><subfield code="b">Illustrationen, Diagramme</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="650" ind1="0" ind2="7"><subfield code="a">Deskriptive Statistik</subfield><subfield code="0">(DE-588)4070313-7</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Automatische Klassifikation</subfield><subfield code="0">(DE-588)4120957-6</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Cluster-Analyse</subfield><subfield code="0">(DE-588)4070044-6</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Maschinelles Lernen</subfield><subfield code="0">(DE-588)4193754-5</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Prognoseverfahren</subfield><subfield code="0">(DE-588)4358095-6</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Datenanalyse</subfield><subfield code="0">(DE-588)4123037-1</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Mustererkennung</subfield><subfield code="0">(DE-588)4040936-3</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">R</subfield><subfield code="g">Programm</subfield><subfield code="0">(DE-588)4705956-4</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="650" ind1="0" ind2="7"><subfield code="a">Klassifikations- und Regressionsbaum</subfield><subfield code="0">(DE-588)7549235-0</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="655" ind1=" " ind2="7"><subfield code="0">(DE-588)4123623-3</subfield><subfield code="a">Lehrbuch</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">Mustererkennung</subfield><subfield code="0">(DE-588)4040936-3</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="0" ind2="2"><subfield code="a">Prognoseverfahren</subfield><subfield code="0">(DE-588)4358095-6</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="0" ind2="3"><subfield code="a">Maschinelles Lernen</subfield><subfield code="0">(DE-588)4193754-5</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="0" ind2="4"><subfield code="a">R</subfield><subfield code="g">Programm</subfield><subfield code="0">(DE-588)4705956-4</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">Datenanalyse</subfield><subfield code="0">(DE-588)4123037-1</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="1" ind2="1"><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="2"><subfield code="a">R</subfield><subfield code="g">Programm</subfield><subfield code="0">(DE-588)4705956-4</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="1" ind2="3"><subfield code="a">Deskriptive Statistik</subfield><subfield code="0">(DE-588)4070313-7</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="1" ind2="4"><subfield code="a">Cluster-Analyse</subfield><subfield code="0">(DE-588)4070044-6</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="1" ind2="5"><subfield code="a">Prognoseverfahren</subfield><subfield code="0">(DE-588)4358095-6</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="1" ind2="6"><subfield code="a">Klassifikations- und Regressionsbaum</subfield><subfield code="0">(DE-588)7549235-0</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="1" ind2="7"><subfield code="a">Automatische Klassifikation</subfield><subfield code="0">(DE-588)4120957-6</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="1" ind2=" "><subfield code="5">DE-604</subfield></datafield><datafield tag="710" ind1="2" ind2=" "><subfield code="a">Springer Fachmedien Wiesbaden</subfield><subfield code="0">(DE-588)1043386068</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</subfield><subfield code="z">978-3-658-30153-8</subfield></datafield><datafield tag="856" ind1="4" ind2="2"><subfield code="m">X:MVB</subfield><subfield code="q">text/html</subfield><subfield code="u">http://deposit.dnb.de/cgi-bin/dokserv?id=351e77f160904155bc81f7d358867a53&prov=M&dok_var=1&dok_ext=htm</subfield><subfield code="3">Inhaltstext</subfield></datafield><datafield tag="856" ind1="4" ind2="2"><subfield code="m">X:MVB</subfield><subfield code="u">http://www.springer.com/</subfield></datafield><datafield tag="856" ind1="4" ind2="2"><subfield code="m">DNB Datenaustausch</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=032285962&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:BVB01-032285962</subfield></datafield></record></collection>
genre	(DE-588)4123623-3 Lehrbuch gnd-content
genre_facet	Lehrbuch
id	DE-604.BV046875868
illustrated	Illustrated
index_date	2024-07-03T15:16:05Z
indexdate	2024-07-10T08:56:16Z
institution	BVB
institution_GND	(DE-588)1043386068
isbn	9783658301521 365830152X
language	German
oai_aleph_id	oai:aleph.bib-bvb.de:BVB01-032285962
oclc_num	1196824202
open_access_boolean
owner	DE-Aug4 DE-945 DE-739 DE-12
owner_facet	DE-Aug4 DE-945 DE-739 DE-12
physical	XI, 224 Seiten Illustrationen, Diagramme
publishDate	2020
publishDateSearch	2020
publishDateSort	2020
publisher	Springer Vieweg
record_format	marc
spelling	Hude, Marlis von der 1953- Verfasser (DE-588)1207900419 aut Predictive Analytics und Data Mining eine Einführung mit R Marlis von der Hude Wiesbaden Springer Vieweg [2020] © 2020 XI, 224 Seiten Illustrationen, Diagramme txt rdacontent n rdamedia nc rdacarrier Deskriptive Statistik (DE-588)4070313-7 gnd rswk-swf Automatische Klassifikation (DE-588)4120957-6 gnd rswk-swf Cluster-Analyse (DE-588)4070044-6 gnd rswk-swf Maschinelles Lernen (DE-588)4193754-5 gnd rswk-swf Prognoseverfahren (DE-588)4358095-6 gnd rswk-swf Datenanalyse (DE-588)4123037-1 gnd rswk-swf Mustererkennung (DE-588)4040936-3 gnd rswk-swf R Programm (DE-588)4705956-4 gnd rswk-swf Data Mining (DE-588)4428654-5 gnd rswk-swf Klassifikations- und Regressionsbaum (DE-588)7549235-0 gnd rswk-swf (DE-588)4123623-3 Lehrbuch gnd-content Data Mining (DE-588)4428654-5 s Mustererkennung (DE-588)4040936-3 s Prognoseverfahren (DE-588)4358095-6 s Maschinelles Lernen (DE-588)4193754-5 s R Programm (DE-588)4705956-4 s DE-604 Datenanalyse (DE-588)4123037-1 s Deskriptive Statistik (DE-588)4070313-7 s Cluster-Analyse (DE-588)4070044-6 s Klassifikations- und Regressionsbaum (DE-588)7549235-0 s Automatische Klassifikation (DE-588)4120957-6 s Springer Fachmedien Wiesbaden (DE-588)1043386068 pbl Erscheint auch als Online-Ausgabe 978-3-658-30153-8 X:MVB text/html http://deposit.dnb.de/cgi-bin/dokserv?id=351e77f160904155bc81f7d358867a53&prov=M&dok_var=1&dok_ext=htm Inhaltstext X:MVB http://www.springer.com/ DNB Datenaustausch application/pdf http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=032285962&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA Inhaltsverzeichnis
spellingShingle	Hude, Marlis von der 1953- Predictive Analytics und Data Mining eine Einführung mit R Deskriptive Statistik (DE-588)4070313-7 gnd Automatische Klassifikation (DE-588)4120957-6 gnd Cluster-Analyse (DE-588)4070044-6 gnd Maschinelles Lernen (DE-588)4193754-5 gnd Prognoseverfahren (DE-588)4358095-6 gnd Datenanalyse (DE-588)4123037-1 gnd Mustererkennung (DE-588)4040936-3 gnd R Programm (DE-588)4705956-4 gnd Data Mining (DE-588)4428654-5 gnd Klassifikations- und Regressionsbaum (DE-588)7549235-0 gnd
subject_GND	(DE-588)4070313-7 (DE-588)4120957-6 (DE-588)4070044-6 (DE-588)4193754-5 (DE-588)4358095-6 (DE-588)4123037-1 (DE-588)4040936-3 (DE-588)4705956-4 (DE-588)4428654-5 (DE-588)7549235-0 (DE-588)4123623-3
title	Predictive Analytics und Data Mining eine Einführung mit R
title_auth	Predictive Analytics und Data Mining eine Einführung mit R
title_exact_search	Predictive Analytics und Data Mining eine Einführung mit R
title_exact_search_txtP	Predictive Analytics und Data Mining eine Einführung mit R
title_full	Predictive Analytics und Data Mining eine Einführung mit R Marlis von der Hude
title_fullStr	Predictive Analytics und Data Mining eine Einführung mit R Marlis von der Hude
title_full_unstemmed	Predictive Analytics und Data Mining eine Einführung mit R Marlis von der Hude
title_short	Predictive Analytics und Data Mining
title_sort	predictive analytics und data mining eine einfuhrung mit r
title_sub	eine Einführung mit R
topic	Deskriptive Statistik (DE-588)4070313-7 gnd Automatische Klassifikation (DE-588)4120957-6 gnd Cluster-Analyse (DE-588)4070044-6 gnd Maschinelles Lernen (DE-588)4193754-5 gnd Prognoseverfahren (DE-588)4358095-6 gnd Datenanalyse (DE-588)4123037-1 gnd Mustererkennung (DE-588)4040936-3 gnd R Programm (DE-588)4705956-4 gnd Data Mining (DE-588)4428654-5 gnd Klassifikations- und Regressionsbaum (DE-588)7549235-0 gnd
topic_facet	Deskriptive Statistik Automatische Klassifikation Cluster-Analyse Maschinelles Lernen Prognoseverfahren Datenanalyse Mustererkennung R Programm Data Mining Klassifikations- und Regressionsbaum Lehrbuch
url	http://deposit.dnb.de/cgi-bin/dokserv?id=351e77f160904155bc81f7d358867a53&prov=M&dok_var=1&dok_ext=htm http://www.springer.com/ http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=032285962&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA
work_keys_str_mv	AT hudemarlisvonder predictiveanalyticsunddataminingeineeinfuhrungmitr AT springerfachmedienwiesbaden predictiveanalyticsunddataminingeineeinfuhrungmitr

Verfügbarkeit

Es ist kein Print-Exemplar vorhanden.

Fernleihe Bestellen Achtung: Nicht im THWS-Bestand! Beschreibung

MARC

Datensatz im Suchindex

Es ist kein Print-Exemplar vorhanden.

Ähnliche Einträge