Holdings: Big Data Analytics :: THWS Bibkatalog

Big Data Analytics: Grundlagen, Fallbeispiele und Nutzungspotenziale

Saved in:

Bibliographic Details
Other Authors:	D'Onofrio, Sara 1989- (Editor), Meier, Andreas (Editor)
Format:	Book
Language:	German
Published:	Wiesbaden Springer Vieweg 2021
Series:	Edition HMD
Subjects:	Data Structures and Information Theory Artificial Intelligence Big Data Statistics, general Data structures (Computer science) Artificial intelligence Big data Statistics Datenanalyse Lehrbuch
Online Access:	Inhaltsverzeichnis
Physical Description:	XXI, 285 Seiten Illustrationen, Diagramme
ISBN:	9783658322359
ISSN:	2366-1127

Staff View

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

Record in the Search Index

_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

Holdings

There is no print copy available.

Interlibrary loan Place Request Caution: Not in THWS collection! Indexes

MARC

Record in the Search Index

There is no print copy available.

Similar Items