Big Data Analytics: Grundlagen, Fallbeispiele und Nutzungspotenziale
Gespeichert in:
| Weitere Verfasser: | , |
|---|---|
| Format: | Buch |
| Sprache: | German |
| Veröffentlicht: |
Wiesbaden
Springer Vieweg
2021
|
| Schriftenreihe: | Edition HMD
|
| Schlagworte: | |
| Online-Zugang: | Inhaltsverzeichnis |
| Beschreibung: | XXI, 285 Seiten Illustrationen, Diagramme |
| ISBN: | 9783658322359 |
| ISSN: | 2366-1127 |
Internformat
MARC
| LEADER | 00000nam a2200000zc 4500 | ||
|---|---|---|---|
| 001 | BV047286109 | ||
| 003 | DE-604 | ||
| 005 | 20220128 | ||
| 007 | t | ||
| 008 | 210517s2021 a||| |||| 00||| ger d | ||
| 020 | |a 9783658322359 |c hbk |9 978-3-658-32235-9 | ||
| 035 | |a (OCoLC)1257815505 | ||
| 035 | |a (DE-599)BVBBV047286109 | ||
| 040 | |a DE-604 |b ger |e rda | ||
| 041 | 0 | |a ger | |
| 049 | |a DE-384 |a DE-898 |a DE-12 | ||
| 082 | 0 | |a 005.73 |2 23 | |
| 084 | |a ST 530 |0 (DE-625)143679: |2 rvk | ||
| 245 | 1 | 0 | |a Big Data Analytics |b Grundlagen, Fallbeispiele und Nutzungspotenziale |c Sara D'Onofrio, Andreas Meier (Hrsg.) |
| 264 | 1 | |a Wiesbaden |b Springer Vieweg |c 2021 | |
| 300 | |a XXI, 285 Seiten |b Illustrationen, Diagramme | ||
| 336 | |b txt |2 rdacontent | ||
| 337 | |b n |2 rdamedia | ||
| 338 | |b nc |2 rdacarrier | ||
| 490 | 0 | |a Edition HMD |x 2366-1127 | |
| 650 | 4 | |a Data Structures and Information Theory | |
| 650 | 4 | |a Artificial Intelligence | |
| 650 | 4 | |a Big Data | |
| 650 | 4 | |a Statistics, general | |
| 650 | 4 | |a Data structures (Computer science) | |
| 650 | 4 | |a Artificial intelligence | |
| 650 | 4 | |a Big data | |
| 650 | 4 | |a Statistics | |
| 650 | 0 | 7 | |a Big Data |0 (DE-588)4802620-7 |2 gnd |9 rswk-swf |
| 650 | 0 | 7 | |a Datenanalyse |0 (DE-588)4123037-1 |2 gnd |9 rswk-swf |
| 655 | 7 | |0 (DE-588)4123623-3 |a Lehrbuch |2 gnd-content | |
| 689 | 0 | 0 | |a Big Data |0 (DE-588)4802620-7 |D s |
| 689 | 0 | 1 | |a Datenanalyse |0 (DE-588)4123037-1 |D s |
| 689 | 0 | |5 DE-604 | |
| 700 | 1 | |a D'Onofrio, Sara |d 1989- |0 (DE-588)1138815101 |4 edt | |
| 700 | 1 | |a Meier, Andreas |4 edt | |
| 776 | 0 | 8 | |i Erscheint auch als |n Online-Ausgabe |z 978-3-658-32236-6 |
| 856 | 4 | 2 | |m Digitalisierung UB Augsburg - ADAM Catalogue Enrichment |q application/pdf |u http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=032689566&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA |3 Inhaltsverzeichnis |
| 999 | |a oai:aleph.bib-bvb.de:BVB01-032689566 | ||
Datensatz im Suchindex
| _version_ | 1804182456102813696 |
|---|---|
| adam_text | Teil I 1 Grundlagen Rundgang Big Data Analytics - Hard Soft Data Mining................ Andreas Meier 1.1 Motivation und Begriffseinordnung.................................................. 1.2 Zum Prozess Knowledge Discovery in Databases............................ 1.3 Anwendungsoptionen und Nutzenpotenziale.................................. 1.4 Aufruf zum Paradigmenwechsel...................................................... Literatur...................................................................................................... 3 4 10 15 21 22 2 Methoden des Data Mining für Big Data Analytics.............................. 25 Peter Głuchowski, Christian Schieder und Peter Chamoni 2.1 Einleitung.......................................................................................... 26 2.2 Klassifikation von Analytics-Methoden............................................ 27 2.3 Entscheidungsbaumverfahren.......................................................... 30 2.4 Künstliche Neuronale Netze............................................................ 33 2.5 Clusteranalysen................................................................................ 39 2.6 Assoziationsanalysen........................................................................ 43 2.7 Diskussion und Ausblick.................................................................. 45 Literatur....................................................................................................... 47 3 Digital Analytics in der Praxis - Entwicklungen, Reifegrad und Anwendungen der Künstlichen
Intelligenz.......................................... 49 Darius Zumstein, Andrea Zelic und Michael Klaas 3.1 Digital Analytics.............................................................................. 50 3.2 Digital Analytics Studie 2020 .......................................................... 56 3.3 Nutzen und Herausforderungen des Digital Analytics...................... 62 3.4 KI-Anwendungen basierend auf Digital- Analyücs-Daten................ 64 3.5 Schlussbemerkungen........................................................................ 67 Literatur....................................................................................................... 70
XII Inhaltsverzeichnis Teil II Textanalyse 4 5 Searching-Tool für Compliance - Ein Analyseverfahren textueller Daten........................................................................................................ Urs Hengartner 4.1 Digitalisierung als Chance für das Onboarding................................ 4.2 Das Digital Onboarding-Tool............................................................ 4.3 Das Analysewerkzeug Find-it for Person Check.............................. 4.4 Schlussbetrachtung und Ausblick.................................................... Literatur...................................................................................................... 75 76 77 85 91 92 Entscheidungsunterstützung im Online-Handel.................................. 95 René Götz, Alexander Piazza und Freimut Bodendorf 5.1 Relevanz der automatisierten Textanalyse im Online-Handel.......... 96 5.2 Stand der Forschung bezüglich automatisierter Textanalyse............ 97 5.3 Hybrider Ansatz der automatisierten Analyse von Produktrezen sionen.................................................................................................. 101 5.4 Anwendung des hybriden Modells zur Entscheidungsunterstützung im Online-Handel................................................................................ 109 5.5 Zusammenfassung und Ausblick........................................................ 111 Literatur........................................................................................................ 113 Teil III Machine Learning 6 Einsatzoptionen von Machine
Learning im Handel.............................. 117 Reinhard Schütte, Felix Weber und Mohamed Kari 6.1 Aktuelle und zukünftige Massendatenprobleme im Handel.............. 118 6.2 Daten im Handel - die strategische Bedrohung des Handels.......... 120 6.3 (Massen-)datengetriebene Entscheidungsfindung im Handel.......... 121 6.4 Machine Learning bei Big Data-Phänomenen im Handel.................. 126 6.5 Fazit.....................................................................................................134 Literatur.........................................................................................................135 7 Automatisierte Qualitätssicherung via Image Mining und Computer Vision - Literaturrecherche und Prototyp.............................................. 139 Sebastian Trinks 7.1 Ausgangspunkt und Motivation.......................................................... 140 7.2 Grundlegende Konzepte und Anwendungsbereiche...........................141 7.3 Wissenschaftliche Methodik...............................................................145 7.4 Defekterkennungs- und Qualitätssicherungs-Anwendungen in der Produktion.......................................................................................... 148 7.5 Diskussion der Ergebnisse...................................................................160 7.6 Fazit.....................................................................................................163 Literatur.........................................................................................................164
Inhaltsverzeichnis g XIII Deep Learning in der Landwirtschaft - Analyse eines Weinbergs.... 169 Patrick Zschech, Kai Heinrich, Björn Möller, Lukas Breithaupt, Johannes Maresch und Andreas Roth 8.1 Der digitale Wandel in der Landwirtschaft..........................................170 8.2 Methodischer Hintergrund.................................................................. 172 8.3 Modellerstellung................................................................................ 175 8.4 Modellanwendung.............................................................................. 181 8.5 Diskussion und Handlungsempfehlungen.......................................... 190 8.6 Fazit und Ausblick.............................................................................. 191 Literatur.........................................................................................................193 Teil IV Prädiktive Modelle 9 Data Pipelines in Big Data Analytics - Fallbeispiel Religion in der US Politik............................................................................................ 197 Ulrich Matter 9.1 Einleitung: Daten unser alltägliches Gut............................................ 198 9.2 Kontext: Das Web als Datenquelle...................................................... 199 9.3 Data Pipelines im Data Engineering.................................................. 200 9.4 Data Pipelines „light“ für die Wirtschafts- und Sozialwissenschaften.......................................................................... 203 9.5 Fallstudie: Religion in der US
Politik................................................ 204 9.6 Diskussion und Ausblick.................................................................... 211 Literatur........................................................................................................ 212 10 Self-Service Data Science - Vergleich von Plattformen zum Aufbau von Entscheidungsbäumen.......................................................... 215 Daniel Badura, Alexander Ossa und Michael Schulz 10.1 Einleitung.......................................................................................... 216 10.2 Klassifikationsmethoden als Form der Data Science........................ 217 10.3 Untersuchung verschiedener Data-Mining-Plattformen..................222 10.4 Vorstellung einer wissensbasierten Komplexitätsreduzierung für Entscheidungsbäume........................................................................ 229 10.5 Fazit.................................................................................................. 233 Literatur........................................................................................................ 236 Teil V Trendforschung 11 Einfluss von Covid-19 auf Wertschöpfungsketten - Fallbeispiel Verkehrsdaten............................................................................................ 241 Henry Goecke und Jan Marten Wendt 11.1 Die Corona-Pandemie und ökonomische Analysen.......................... 242 11.2 Die Bedeutung von Wertschöpfungsketten in der deutschen
Volkswirtschaft.................................................................................. 243
XIV Inhaltsverzeichnis 11.3 Zusammenhang LKW-Daten und Industrieproduktion am Beispiel von Nordrhein-Westfalen.................................................... 246 11.4 Echtzeitverkehrsdaten für NRW....................................................... 247 11.5 Ergebnisse der Fallstudie und Ableitungen....................................... 252 Literatur.........................................................................................................254 12 Intelligente Bots für die Trendforschung - Eine explorative Studie ... 257 Christian Mühlroth, Laura Kölbl, Fabian Wiser, Michael Grottke und Carolin Durst 12.1 Umfeldscanningsysteme im Unternehmenskontext.......................... 258 12.2 Aktuelle Herausforderungen im Umfeldscanning............................ 259 12.3 Konzept zum Einsatz von künstlicher Intelligenz im Um feldscanning...................................................................................... 264 12.4 Drei praxisnahe Szenarien................................................................ 267 12.5 Kl-gestütztes Umfeldscanning als Chance für Unternehmen........ 273 Literatur.........................................................................................................275 Glossar.................................................................................................................277 Stichwortverzeichnis 281
|
| adam_txt |
Teil I 1 Grundlagen Rundgang Big Data Analytics - Hard Soft Data Mining. Andreas Meier 1.1 Motivation und Begriffseinordnung. 1.2 Zum Prozess Knowledge Discovery in Databases. 1.3 Anwendungsoptionen und Nutzenpotenziale. 1.4 Aufruf zum Paradigmenwechsel. Literatur. 3 4 10 15 21 22 2 Methoden des Data Mining für Big Data Analytics. 25 Peter Głuchowski, Christian Schieder und Peter Chamoni 2.1 Einleitung. 26 2.2 Klassifikation von Analytics-Methoden. 27 2.3 Entscheidungsbaumverfahren. 30 2.4 Künstliche Neuronale Netze. 33 2.5 Clusteranalysen. 39 2.6 Assoziationsanalysen. 43 2.7 Diskussion und Ausblick. 45 Literatur. 47 3 Digital Analytics in der Praxis - Entwicklungen, Reifegrad und Anwendungen der Künstlichen
Intelligenz. 49 Darius Zumstein, Andrea Zelic und Michael Klaas 3.1 Digital Analytics. 50 3.2 Digital Analytics Studie 2020 . 56 3.3 Nutzen und Herausforderungen des Digital Analytics. 62 3.4 KI-Anwendungen basierend auf Digital- Analyücs-Daten. 64 3.5 Schlussbemerkungen. 67 Literatur. 70
XII Inhaltsverzeichnis Teil II Textanalyse 4 5 Searching-Tool für Compliance - Ein Analyseverfahren textueller Daten. Urs Hengartner 4.1 Digitalisierung als Chance für das Onboarding. 4.2 Das Digital Onboarding-Tool. 4.3 Das Analysewerkzeug Find-it for Person Check. 4.4 Schlussbetrachtung und Ausblick. Literatur. 75 76 77 85 91 92 Entscheidungsunterstützung im Online-Handel. 95 René Götz, Alexander Piazza und Freimut Bodendorf 5.1 Relevanz der automatisierten Textanalyse im Online-Handel. 96 5.2 Stand der Forschung bezüglich automatisierter Textanalyse. 97 5.3 Hybrider Ansatz der automatisierten Analyse von Produktrezen sionen. 101 5.4 Anwendung des hybriden Modells zur Entscheidungsunterstützung im Online-Handel. 109 5.5 Zusammenfassung und Ausblick. 111 Literatur. 113 Teil III Machine Learning 6 Einsatzoptionen von Machine
Learning im Handel. 117 Reinhard Schütte, Felix Weber und Mohamed Kari 6.1 Aktuelle und zukünftige Massendatenprobleme im Handel. 118 6.2 Daten im Handel - die strategische Bedrohung des Handels. 120 6.3 (Massen-)datengetriebene Entscheidungsfindung im Handel. 121 6.4 Machine Learning bei Big Data-Phänomenen im Handel. 126 6.5 Fazit.134 Literatur.135 7 Automatisierte Qualitätssicherung via Image Mining und Computer Vision - Literaturrecherche und Prototyp. 139 Sebastian Trinks 7.1 Ausgangspunkt und Motivation. 140 7.2 Grundlegende Konzepte und Anwendungsbereiche.141 7.3 Wissenschaftliche Methodik.145 7.4 Defekterkennungs- und Qualitätssicherungs-Anwendungen in der Produktion. 148 7.5 Diskussion der Ergebnisse.160 7.6 Fazit.163 Literatur.164
Inhaltsverzeichnis g XIII Deep Learning in der Landwirtschaft - Analyse eines Weinbergs. 169 Patrick Zschech, Kai Heinrich, Björn Möller, Lukas Breithaupt, Johannes Maresch und Andreas Roth 8.1 Der digitale Wandel in der Landwirtschaft.170 8.2 Methodischer Hintergrund. 172 8.3 Modellerstellung. 175 8.4 Modellanwendung. 181 8.5 Diskussion und Handlungsempfehlungen. 190 8.6 Fazit und Ausblick. 191 Literatur.193 Teil IV Prädiktive Modelle 9 Data Pipelines in Big Data Analytics - Fallbeispiel Religion in der US Politik. 197 Ulrich Matter 9.1 Einleitung: Daten unser alltägliches Gut. 198 9.2 Kontext: Das Web als Datenquelle. 199 9.3 Data Pipelines im Data Engineering. 200 9.4 Data Pipelines „light“ für die Wirtschafts- und Sozialwissenschaften. 203 9.5 Fallstudie: Religion in der US
Politik. 204 9.6 Diskussion und Ausblick. 211 Literatur. 212 10 Self-Service Data Science - Vergleich von Plattformen zum Aufbau von Entscheidungsbäumen. 215 Daniel Badura, Alexander Ossa und Michael Schulz 10.1 Einleitung. 216 10.2 Klassifikationsmethoden als Form der Data Science. 217 10.3 Untersuchung verschiedener Data-Mining-Plattformen.222 10.4 Vorstellung einer wissensbasierten Komplexitätsreduzierung für Entscheidungsbäume. 229 10.5 Fazit. 233 Literatur. 236 Teil V Trendforschung 11 Einfluss von Covid-19 auf Wertschöpfungsketten - Fallbeispiel Verkehrsdaten. 241 Henry Goecke und Jan Marten Wendt 11.1 Die Corona-Pandemie und ökonomische Analysen. 242 11.2 Die Bedeutung von Wertschöpfungsketten in der deutschen
Volkswirtschaft. 243
XIV Inhaltsverzeichnis 11.3 Zusammenhang LKW-Daten und Industrieproduktion am Beispiel von Nordrhein-Westfalen. 246 11.4 Echtzeitverkehrsdaten für NRW. 247 11.5 Ergebnisse der Fallstudie und Ableitungen. 252 Literatur.254 12 Intelligente Bots für die Trendforschung - Eine explorative Studie . 257 Christian Mühlroth, Laura Kölbl, Fabian Wiser, Michael Grottke und Carolin Durst 12.1 Umfeldscanningsysteme im Unternehmenskontext. 258 12.2 Aktuelle Herausforderungen im Umfeldscanning. 259 12.3 Konzept zum Einsatz von künstlicher Intelligenz im Um feldscanning. 264 12.4 Drei praxisnahe Szenarien. 267 12.5 Kl-gestütztes Umfeldscanning als Chance für Unternehmen. 273 Literatur.275 Glossar.277 Stichwortverzeichnis 281 |
| any_adam_object | 1 |
| any_adam_object_boolean | 1 |
| author2 | D'Onofrio, Sara 1989- Meier, Andreas |
| author2_role | edt edt |
| author2_variant | s d sd a m am |
| author_GND | (DE-588)1138815101 |
| author_facet | D'Onofrio, Sara 1989- Meier, Andreas |
| building | Verbundindex |
| bvnumber | BV047286109 |
| classification_rvk | ST 530 |
| ctrlnum | (OCoLC)1257815505 (DE-599)BVBBV047286109 |
| dewey-full | 005.73 |
| dewey-hundreds | 000 - Computer science, information, general works |
| dewey-ones | 005 - Computer programming, programs, data, security |
| dewey-raw | 005.73 |
| dewey-search | 005.73 |
| dewey-sort | 15.73 |
| dewey-tens | 000 - Computer science, information, general works |
| 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>01923nam a2200493zc 4500</leader><controlfield tag="001">BV047286109</controlfield><controlfield tag="003">DE-604</controlfield><controlfield tag="005">20220128 </controlfield><controlfield tag="007">t</controlfield><controlfield tag="008">210517s2021 a||| |||| 00||| ger d</controlfield><datafield tag="020" ind1=" " ind2=" "><subfield code="a">9783658322359</subfield><subfield code="c">hbk</subfield><subfield code="9">978-3-658-32235-9</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(OCoLC)1257815505</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(DE-599)BVBBV047286109</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="049" ind1=" " ind2=" "><subfield code="a">DE-384</subfield><subfield code="a">DE-898</subfield><subfield code="a">DE-12</subfield></datafield><datafield tag="082" ind1="0" ind2=" "><subfield code="a">005.73</subfield><subfield code="2">23</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="245" ind1="1" ind2="0"><subfield code="a">Big Data Analytics</subfield><subfield code="b">Grundlagen, Fallbeispiele und Nutzungspotenziale</subfield><subfield code="c">Sara D'Onofrio, Andreas Meier (Hrsg.)</subfield></datafield><datafield tag="264" ind1=" " ind2="1"><subfield code="a">Wiesbaden</subfield><subfield code="b">Springer Vieweg</subfield><subfield code="c">2021</subfield></datafield><datafield tag="300" ind1=" " ind2=" "><subfield code="a">XXI, 285 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="490" ind1="0" ind2=" "><subfield code="a">Edition HMD</subfield><subfield code="x">2366-1127</subfield></datafield><datafield tag="650" ind1=" " ind2="4"><subfield code="a">Data Structures and Information Theory</subfield></datafield><datafield tag="650" ind1=" " ind2="4"><subfield code="a">Artificial Intelligence</subfield></datafield><datafield tag="650" ind1=" " ind2="4"><subfield code="a">Big Data</subfield></datafield><datafield tag="650" ind1=" " ind2="4"><subfield code="a">Statistics, general</subfield></datafield><datafield tag="650" ind1=" " ind2="4"><subfield code="a">Data structures (Computer science)</subfield></datafield><datafield tag="650" ind1=" " ind2="4"><subfield code="a">Artificial intelligence</subfield></datafield><datafield tag="650" ind1=" " ind2="4"><subfield code="a">Big data</subfield></datafield><datafield tag="650" ind1=" " ind2="4"><subfield code="a">Statistics </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">Datenanalyse</subfield><subfield code="0">(DE-588)4123037-1</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">Big Data</subfield><subfield code="0">(DE-588)4802620-7</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="0" ind2="1"><subfield code="a">Datenanalyse</subfield><subfield code="0">(DE-588)4123037-1</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="0" ind2=" "><subfield code="5">DE-604</subfield></datafield><datafield tag="700" ind1="1" ind2=" "><subfield code="a">D'Onofrio, Sara</subfield><subfield code="d">1989-</subfield><subfield code="0">(DE-588)1138815101</subfield><subfield code="4">edt</subfield></datafield><datafield tag="700" ind1="1" ind2=" "><subfield code="a">Meier, Andreas</subfield><subfield code="4">edt</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">978-3-658-32236-6</subfield></datafield><datafield tag="856" ind1="4" ind2="2"><subfield code="m">Digitalisierung UB Augsburg - 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=032689566&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:BVB01-032689566</subfield></datafield></record></collection> |
| genre | (DE-588)4123623-3 Lehrbuch gnd-content |
| genre_facet | Lehrbuch |
| id | DE-604.BV047286109 |
| illustrated | Illustrated |
| index_date | 2024-07-03T17:18:44Z |
| indexdate | 2024-07-10T09:07:50Z |
| institution | BVB |
| isbn | 9783658322359 |
| issn | 2366-1127 |
| language | German |
| oai_aleph_id | oai:aleph.bib-bvb.de:BVB01-032689566 |
| oclc_num | 1257815505 |
| open_access_boolean | |
| owner | DE-384 DE-898 DE-BY-UBR DE-12 |
| owner_facet | DE-384 DE-898 DE-BY-UBR DE-12 |
| physical | XXI, 285 Seiten Illustrationen, Diagramme |
| publishDate | 2021 |
| publishDateSearch | 2021 |
| publishDateSort | 2021 |
| publisher | Springer Vieweg |
| record_format | marc |
| series2 | Edition HMD |
| spelling | Big Data Analytics Grundlagen, Fallbeispiele und Nutzungspotenziale Sara D'Onofrio, Andreas Meier (Hrsg.) Wiesbaden Springer Vieweg 2021 XXI, 285 Seiten Illustrationen, Diagramme txt rdacontent n rdamedia nc rdacarrier Edition HMD 2366-1127 Data Structures and Information Theory Artificial Intelligence Big Data Statistics, general Data structures (Computer science) Artificial intelligence Big data Statistics Big Data (DE-588)4802620-7 gnd rswk-swf Datenanalyse (DE-588)4123037-1 gnd rswk-swf (DE-588)4123623-3 Lehrbuch gnd-content Big Data (DE-588)4802620-7 s Datenanalyse (DE-588)4123037-1 s DE-604 D'Onofrio, Sara 1989- (DE-588)1138815101 edt Meier, Andreas edt Erscheint auch als Online-Ausgabe 978-3-658-32236-6 Digitalisierung UB Augsburg - ADAM Catalogue Enrichment application/pdf http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=032689566&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA Inhaltsverzeichnis |
| spellingShingle | Big Data Analytics Grundlagen, Fallbeispiele und Nutzungspotenziale Data Structures and Information Theory Artificial Intelligence Big Data Statistics, general Data structures (Computer science) Artificial intelligence Big data Statistics Big Data (DE-588)4802620-7 gnd Datenanalyse (DE-588)4123037-1 gnd |
| subject_GND | (DE-588)4802620-7 (DE-588)4123037-1 (DE-588)4123623-3 |
| title | Big Data Analytics Grundlagen, Fallbeispiele und Nutzungspotenziale |
| title_auth | Big Data Analytics Grundlagen, Fallbeispiele und Nutzungspotenziale |
| title_exact_search | Big Data Analytics Grundlagen, Fallbeispiele und Nutzungspotenziale |
| title_exact_search_txtP | Big Data Analytics Grundlagen, Fallbeispiele und Nutzungspotenziale |
| title_full | Big Data Analytics Grundlagen, Fallbeispiele und Nutzungspotenziale Sara D'Onofrio, Andreas Meier (Hrsg.) |
| title_fullStr | Big Data Analytics Grundlagen, Fallbeispiele und Nutzungspotenziale Sara D'Onofrio, Andreas Meier (Hrsg.) |
| title_full_unstemmed | Big Data Analytics Grundlagen, Fallbeispiele und Nutzungspotenziale Sara D'Onofrio, Andreas Meier (Hrsg.) |
| title_short | Big Data Analytics |
| title_sort | big data analytics grundlagen fallbeispiele und nutzungspotenziale |
| title_sub | Grundlagen, Fallbeispiele und Nutzungspotenziale |
| topic | Data Structures and Information Theory Artificial Intelligence Big Data Statistics, general Data structures (Computer science) Artificial intelligence Big data Statistics Big Data (DE-588)4802620-7 gnd Datenanalyse (DE-588)4123037-1 gnd |
| topic_facet | Data Structures and Information Theory Artificial Intelligence Big Data Statistics, general Data structures (Computer science) Artificial intelligence Big data Statistics Datenanalyse Lehrbuch |
| url | http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=032689566&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA |
| work_keys_str_mv | AT donofriosara bigdataanalyticsgrundlagenfallbeispieleundnutzungspotenziale AT meierandreas bigdataanalyticsgrundlagenfallbeispieleundnutzungspotenziale |