Verfügbarkeit: Data-Science-Crashkurs

Data-Science-Crashkurs: eine interaktive und praktische Einführung

Gespeichert in:

Bibliographische Detailangaben
1. Verfasser:	Herbold, Steffen (VerfasserIn)
Format:	Buch
Sprache:	German
Veröffentlicht:	Heidelberg dpunkt.verlag [2022]
Schlagworte:	Datenanalyse Python > Programmiersprache Data Science Data Mining Big Data Data-Warehouse-Konzept Statistik Machinelles Lernen Deep Learning neuronale Netze Algorithmen Mathematik Python Wahrscheinlichkeit Jupyter-Notebook Machine Learning KI Einführung Lehrbuch
Online-Zugang:	Inhaltsverzeichnis
Beschreibung:	Auf dem Umschlag: Mit Jupyter Notebooks Literaturverzeichnis Seite 321-322
Beschreibung:	xvi, 330 Seiten Illustrationen, Diagramme 24 cm x 16.5 cm
ISBN:	9783864908620 3864908620

Internformat

MARC


LEADER	00000nam a2200000 c 4500
001	BV047335906
003	DE-604
005	20221107
007	t
008	210617s2022 gw a\|\|\| \|\|\|\| 00\|\|\| ger d
015			\|a 21,N22 \|2 dnb
016	7		\|a 1234332213 \|2 DE-101
020			\|a 9783864908620 \|c kart. : EUR 34.90 (DE), EUR 35.90 (AT) circa CHF 36.11 (freier Preis) \|9 978-3-86490-862-0
020			\|a 3864908620 \|9 3-86490-862-0
024	3		\|a 9783864908620
035			\|a (OCoLC)1296365604
035			\|a (DE-599)DNB1234332213
040			\|a DE-604 \|b ger \|e rda
041	0		\|a ger
044			\|a gw \|c XA-DE-BW
049			\|a DE-1102 \|a DE-Aug4 \|a DE-1043 \|a DE-860 \|a DE-B768 \|a DE-20 \|a DE-19 \|a DE-1051 \|a DE-706 \|a DE-862 \|a DE-739 \|a DE-824 \|a DE-573 \|a DE-898 \|a DE-473 \|a DE-1028 \|a DE-858 \|a DE-523 \|a DE-1046 \|a DE-859 \|a DE-703 \|a DE-573n
084			\|a ST 515 \|0 (DE-625)143677: \|2 rvk
084			\|a ST 530 \|0 (DE-625)143679: \|2 rvk
084			\|a QP 345 \|0 (DE-625)141866: \|2 rvk
084			\|8 1\p \|a 004 \|2 23sdnb
100	1		\|a Herbold, Steffen \|e Verfasser \|0 (DE-588)121579455X \|4 aut
245	1	0	\|a Data-Science-Crashkurs \|b eine interaktive und praktische Einführung \|c Steffen Herbold
246	1	3	\|a Data Science Crashkurs
264		1	\|a Heidelberg \|b dpunkt.verlag \|c [2022]
300			\|a xvi, 330 Seiten \|b Illustrationen, Diagramme \|c 24 cm x 16.5 cm
336			\|b txt \|2 rdacontent
337			\|b n \|2 rdamedia
338			\|b nc \|2 rdacarrier
500			\|a Auf dem Umschlag: Mit Jupyter Notebooks
500			\|a Literaturverzeichnis Seite 321-322
650	0	7	\|a Datenanalyse \|0 (DE-588)4123037-1 \|2 gnd \|9 rswk-swf
650	0	7	\|a Python \|g Programmiersprache \|0 (DE-588)4434275-5 \|2 gnd \|9 rswk-swf
650	0	7	\|a Data Science \|0 (DE-588)1140936166 \|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 Big Data \|0 (DE-588)4802620-7 \|2 gnd \|9 rswk-swf
650	0	7	\|a Data-Warehouse-Konzept \|0 (DE-588)4406462-7 \|2 gnd \|9 rswk-swf
650	0	7	\|a Statistik \|0 (DE-588)4056995-0 \|2 gnd \|9 rswk-swf
653			\|a Data Science
653			\|a Machinelles Lernen
653			\|a Big Data
653			\|a Deep Learning
653			\|a neuronale Netze
653			\|a Algorithmen
653			\|a Data Mining
653			\|a Datenanalyse
653			\|a Mathematik
653			\|a Python
653			\|a Statistik
653			\|a Wahrscheinlichkeit
653			\|a Jupyter-Notebook
653			\|a Machine Learning
653			\|a KI
655		7	\|0 (DE-588)4151278-9 \|a Einführung \|2 gnd-content
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 Data Mining \|0 (DE-588)4428654-5 \|D s
689	0	2	\|a Data Science \|0 (DE-588)1140936166 \|D s
689	0	3	\|a Datenanalyse \|0 (DE-588)4123037-1 \|D s
689	0	4	\|a Data-Warehouse-Konzept \|0 (DE-588)4406462-7 \|D s
689	0	5	\|a Statistik \|0 (DE-588)4056995-0 \|D s
689	0		\|5 DE-604
689	1	0	\|a Data Science \|0 (DE-588)1140936166 \|D s
689	1	1	\|a Python \|g Programmiersprache \|0 (DE-588)4434275-5 \|D s
689	1		\|5 DE-604
710	2		\|a Dpunkt.Verlag (Heidelberg) \|0 (DE-588)6085529-0 \|4 pbl
776	0	8	\|i Erscheint auch als \|n Online-Ausgabe, PDF \|z 978-3-96910-618-1
776	0	8	\|i Erscheint auch als \|n Online-Ausgabe, EPUB \|z 978-3-96910-619-8
776	0	8	\|i Erscheint auch als \|n Online-Ausgabe, MOBI \|z 978-3-96910-620-4
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=032738429&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA \|3 Inhaltsverzeichnis
999			\|a oai:aleph.bib-bvb.de:BVB01-032738429
883	2		\|8 1\p \|a dnb \|d 20210329 \|q DE-101 \|u https://d-nb.info/provenance/plan#dnb

Datensatz im Suchindex

DE-BY-862_location	2000
DE-BY-FWS_call_number	2000/ST 530 H538
DE-BY-FWS_katkey	956250
DE-BY-FWS_media_number	083000524950
_version_	1824553998710996992
adam_text	IX INHALTSUEBERSICHT 1 BIG DATA UND DATA SCIENCE 1 2 DER PROZESS VON DATA-SCIENCE-PROJEKTEN 13 3 ALLGEMEINES ZUR DATENANALYSE 33 4 ERKUNDEN DER DATEN 45 5 ASSOZIATIONSREGELN 83 6 CLUSTERANALYSE 95 7 KLASSIFIKATION 143 8 REGRESSION 215 9 ZEITREIHENANALYSE 233 10 TEXT MINING 251 11 STATISTIK 267 12 BIG DATA PROCESSING 285 13 WEITERFUEHRENDE KONZEPTE 309 INDEX ANHANG 311 A SELBST AUSFUEHREN 313 B NOTATIONEN 315 C ABKUERZUNGEN 319 D LITERATUR 321 323 XI INHALTSVERZEICHNIS 1 BIG DATA UND DATA SCIENCE 1 1.1 EINFUEHRUNG IN BIG DATA ............................................................................. 1 1.1.1 VOLUMEN .................................................................................... 2 1.1.2 VELOCITY/GESCHWINDIGKEIT ......................................................... 3 1.1.3 VARIETY/VIELFALT ........................................................................... 4 1.1.4 INNOVATIVE INFORMATIONSVERARBEITUNGSMETHODEN .................... 6 1.1.5 WISSEN GENERIEREN, ENTSCHEIDUNGEN TREFFEN, PROZESSE AUTOMATISIEREN ............................................................ 7 1.1.6 NOCH MEHR VS ........................................................................... 7 1.2 EINFUEHRUNG IN DATA SCIENCE .................................................................... 7 1.2.1 WAS GEHOERT ZU DATA SCIENCE? ................................................... 8 1.2.2 BEISPIELANWENDUNGEN .............................................................. 10 1.3 FAEHIGKEITEN VON DATA SCIENTISTS ............................................................ 11 2 DER PROZESS VON DATA-SCIENCE-PROJEKTEN 13 2.1 DER GENERISCHE DATA-SCIENCE-PROZESS ................................................... 14 2.1.1 DISCOVERY .................................................................................. 15 2.1.2 DATENVORBEREITUNG .................................................................. 18 2.1.3 MODELLPLANUNG ......................................................................... 21 2.1.4 MODELLERSTELLUNG .................................................................... 24 2.1.5 KOMMUNIKATION DER ERGEBNISSE ............................................ 25 2.1.6 OPERATIONALISIERUNG ................................................................ 25 2.2 ROLLEN IN DATA-SCIENCE-PROJEKTEN ......................................................... 26 2.2.1 ANWENDERIN ............................................................................. 27 2.2.2 PROJEKTSPONSORIN .................................................................... 27 2.2.3 PROJEKTMANAGERIN .................................................................... 28 2.2.4 DATENINGENIEURIN .................................................................... 28 2.2.5 DATENBANKADMINISTRATORIN ..................................................... 29 2.2.6 DATA SCIENTIST ........................................................................... 29 XII INHALTSVERZEICHNIS 2.3 DELIVERABLES ................................................................................................... 29 2.3.1 SPONSORENPRAESENTATION .............................................................. 30 2.3.2 ANALYSTENPRAESENTATION ................................................................ 30 2.3.3 QUELLTEXT ....................................................................................... 31 2.3.4 TECHNISCHE SPEZIFIKATION ............................................................ 31 2.3.5 DATEN ........................................................................................... 31 3 ALLGEMEINES ZUR DATENANALYSE 33 3.1 DAS NO-FREE-LUNCH-THEOREM ..................................................................... 33 3.2 DEFINITION VON MASCHINELLEM LERNEN ........................................................ 34 3.3 MERKMALE .................................................................................................... 35 3.4 TRAININGS UND TESTDATEN ........................................................................... 38 3.5 KATEGORIEN VON ALGORITHMEN ..................................................................... 41 3.6 UEBUNG .......................................................................................................... 42 4 ERKUNDEN DER DATEN 45 4.1 TEXTEDITOREN UND DIE KOMMANDOZEILE .....................................................45 4.2 DESKRIPTIVE STATISTIK .................................................................................... 47 4.2.1 LAGEMASSE .................................................................................... 47 4.2.2 VARIABILITAET ..................................................................................50 4.2.3 DATENBEREICH ................................................................................52 4.3 VISUALISIERUNG ............................................................................................. 53 4.3.1 ANSCOMBES QUARTETT ................................................................... 55 4.3.2 EINZELNE MERKMALE ..................................................................... 57 4.3.3 BEZIEHUNGEN ZWISCHEN MERKMALEN ..........................................69 4.3.4 SCATTERPLOTS FUER HOCHDIMENSIONALE DATEN ............................... 77 4.3.5 ZEITLICHE TRENDS .........................................................................79 4.4 UEBUNG .......................................................................................................... 82 5 ASSOZIATIONSREGELN 83 5.1 DER APRIORI-ALGORITHMUS ............................................................................ 85 5.1.1 SUPPORT UND FREQUENT ITEMSETS ................................................. 85 5.1.2 ABLEITEN VON REGELN ...................................................................87 5.1.3 CONFIDENCE, LIFT UND LEVERAGE ................................................... 87 5.1.4 EXPONENTIELLES WACHSTUM .......................................................... 90 5.1.5 DIE APRIORI-EIGENSCHAFT .............................................................. 91 5.1.6 EINSCHRAENKUNGEN FUER REGELN ..................................................... 93 5.2 BEWERTUNG VON ASSOZIATIONSREGELN ............................................................ 93 5.3 UEBUNG .......................................................................................................... 94 INHALTSVERZEICHNIS XIII 6 CLUSTERANALYSE 95 6.1 AEHNLICHKEITSMASSE .................................................................................... 96 6.2 STAEDTE UND HAEUSER .................................................................................. 98 6.3 ^-MEANS-ALGORITHMUS ............................................................................. 98 6.3.1 DER ALGORITHMUS .................................................................. 100 6.3.2 BESTIMMEN VON K .................................................................. 102 6.3.3 PROBLEME DES &-MEANS-ALGORITHMUS ................................... 106 6.4 EM-CLUSTERING ...................................................................................... 107 6.4.1 DER ALGORITHMUS .................................................................. 110 6.4.2 BESTIMMEN VON K .................................................................. 113 6.4.3 PROBLEME DES EM-CLUSTERING .............................................. 117 6.5 DBSCAN ............................................................................................... 118 6.5.1 DER ALGORITHMUS .................................................................. 119 6.5.2 BESTIMMEN VON E UND MINPTS .............................................. 123 6.5.3 PROBLEME BEI DBSCAN ....................................................... 127 6.6 SINGLE LINKAGE CLUSTERING .................................................................... 128 6.6.1 DER SLINK-ALGORITHMUS ..................................................... 129 6.6.2 DENDROGRAMME .................................................................... 130 6.6.3 PROBLEME BEI SLINK .............................................................. 132 6.7 VERGLEICH DER ALGORITHMEN .................................................................. 134 6.7.1 CLUSTERFORMEN ....................................................................... 134 6.7.2 ANZAHL DER CLUSTER ................................................................ 137 6.7.3 AUSFUEHRUNGSZEIT .................................................................... 137 6.7.4 INTERPRETIERBARKEIT UND DARSTELLUNG ................................... 139 6.7.5 KATEGORISCHE MERKMALE ....................................................... 139 6.7.6 FEHLENDE MERKMALE .............................................................. 139 6.7.7 KORRELIERTE MERKMALE ............................................................ 140 6.7.8 ZUSAMMENFASSUNG DES VERGLEICHS ........................................ 140 6.8 UEBUNG ................................................................................................... 141 7 KLASSIFIKATION 143 7.1 BINAERE KLASSIFIKATION UND GRENZWERTE .............................................. 145 7.2 GUETEMASSE ............................................................................................... 148 7.2.1 DIE CONFUSION MATRIX ......................................................... 148 7.2.2 DIE BINAERE CONFUSION MATRIX .............................................. 149 7.2.3 BINAERE GUETEMASSE .................................................................. 150 7.2.4 DIE RECEIVER OPERATOR CHARACTERISTIC (ROC) .................... 152 7.2.5 AREA UNDER THE CURVE (AUC) .............................................. 154 7.2.6 MICRO UND MACRO AVERAGES ................................................ 156 7.2.7 JENSEITS DER CONFUSION MATRIX ............................................ 157 XIV INHALTSVERZEICHNIS 7.3 DECISION SURFACES ....................................................................................... 158 7.4 FE-NEAREST NEIGHBOR .................................................................................. 160 7.5 ENTSCHEIDUNGSBAEUME ................................................................................ 164 7.6 RANDOM FORESTS .........................................................................................169 7.7 LOGISTISCHE REGRESSION ..............................................................................174 7.8 NAIVE BAYES ................................................................................................ 177 7.9 SUPPORT VECTOR MACHINES (SVMS) ............................................................179 7.10 NEURONALE NETZWERKE .............................................................................. 185 7.10.1 EXKURS: CNNS ZUM ERKENNEN VON ZAHLEN ........................... 192 7.11 VERGLEICH DER KLASSIFIKATIONSALGORITHMEN ............................................... 197 7.11.1 GRUNDIDEE .................................................................................. 197 7.11.2 DECISION SURFACES ..................................................................... 197 7.11.3 AUSFUEHRUNGSZEIT ....................................................................... 206 7.11.4 INTERPRETIERBARKEIT UND DARSTELLUNG ........................................ 209 7.11.5 SCORING ...................................................................................... 209 7.11.6 KATEGORISCHE MERKMALE ............................................................ 210 7.11.7 FEHLENDE MERKMALE ................................................................... 210 7.11.8 KORRELIERTE MERKMALE .............................................................. 210 7.11.9 ZUSAMMENFASSUNG DES VERGLEICHS .......................................... 211 7.12 UEBUNG ........................................................................................................ 212 8 REGRESSION 215 8.1 GUETE VON REGRESSIONEN ........................................................................... 216 8.1.1 VISUELLE BEWERTUNG DER GUETE ................................................... 218 8.1.2 GUETEMASSE .................................................................................. 221 8.2 LINEARE REGRESSION .................................................................................... 223 8.2.1 ORDINARY LEAST SQUARES (OLS) ................................................. 224 8.2.2 RIDGE ........................................................................................... 225 8.2.3 LASSO ........................................................................................... 225 8.2.4 ELASTIC NET .................................................................................. 226 8.2.5 AUSWIRKUNG DER REGULARISIERUNG ............................................ 226 8.3 JENSEITS VON LINEARER REGRESSION .............................................................. 231 8.4 UEBUNG ........................................................................................................231 9 ZEITREIHENANALYSE 233 9.1 BOX-JENKINS-VERFAHREN ........................................................................... 235 9.2 TRENDS UND SAISONALE EFFEKTE ................................................................... 236 9.2.1 REGRESSION UND DAS SAISONALE MITTEL ...................................... 236 9.2.2 DIFFERENCING ............................................................................. 240 9.2.3 VERGLEICH DER ANSAETZE .............................................................. 242 INHALTSVERZEICHNIS XV 9.3 AUTOKORRELATIONEN MIT ARMA ............................................................ 242 9.3.1 AUTOKORRELATION UND PARTIELLE AUTOKORRELATION .................. 242 9.3.2 AR, MA UND ARMA ............................................................ 246 9.3.3 AUSWAHL VON P UND Q ............................................................ 247 9.3.4 ARIMA .................................................................................. 248 9.4 JENSEITS VON BOX-JENKINS ....................................................................... 249 9.5 UEBUNG ................................................................................................... 249 10 TEXT MINING 251 10.1 PREPROCESSING ........................................................................................ 253 10.1.1 ERSTELLUNG EINES KORPUS ....................................................... 253 10.1.2 RELEVANTER INHALT .................................................................. 253 10.1.3 ZEICHENSETZUNG UND GROSSSCHREIBUNG ................................. 255 10.1.4 STOPPWOERTER ........................................................................... 256 10.1.5 STEMMING UND LEMMATISIERUNG .......................................... 257 10.1.6 VISUALISIERUNG DES PREPROCESSING ........................................ 259 10.1.7 BAG-OF-WORDS ......................................................................... 261 10.1.8 INVERSE DOCUMENT FREQUENCY .............................................. 262 10.1.9 JENSEITS DES BAG-OF-WORDS ................................................... 264 10.2 HERAUSFORDERUNGEN DES TEXT MINING ................................................. 265 10.2.1 DIMENSIONALITAET .................................................................... 265 10.2.2 MEHRDEUTIGKEITEN .................................................................. 265 10.2.3 WEITERE PROBLEME .................................................................. 266 10.3 UEBUNG ................................................................................................... 266 11 STATISTIK 267 11.1 HYPOTHESENTESTS .................................................................................... 268 11.1.1 T-TEST ...................................................................................... 269 11.1.2 DAS SIGNIFIKANZNIVEAU ......................................................... 272 11.1.3 WICHTIGE HYPOTHESENTESTS ................................................... 272 11.1.4 ANWENDUNG DER TESTS ............................................................ 274 11.1.5 UEBLICHE FEHLER BEI HYPOTHESENTESTS ................................... 275 11.2 EFFEKTSTAERKE .......................................................................................... 277 11.3 KONFIDENZINTERVALLE ............................................................................. 279 11.4 GUTE BESCHREIBUNG VON ERGEBNISSEN ................................................... 282 11.5 UEBUNG ................................................................................................... 283 12 BIG DATA PROCESSING 285 12.1 PARALLELISIERUNG ...................................................................................... 285 12.2 VERTEILTES RECHNEN ZUR DATENANALYSE ................................................ 286 12.3 DATENLOKALITAET ...................................................................................... 288 XVI INHALTSVERZEICHNIS 12.4 MAPREDUCE ............................................................................................... 288 12.4.1 MAP() ......................................................................................... 289 12.4.2 SHUFFLEF) ...................................................................................... 290 12.4.3 REDUCE() ...................................................................................... 290 12.4.4 WORTHAEUFIGKEITEN MIT MAPREDUCE ........................................ 290 12.4.5 PARALLELISIERUNG ......................................................................... 291 12.5 APACHE HADOOP ......................................................................................... 292 12.5.1 HDFS ......................................................................................... 293 12.5.2 YARN ......................................................................................... 295 12.5.3 MAPREDUCE MIT HADOOP .......................................................... 297 12.5.4 STREAMING MODE ....................................................................... 302 12.5.5 WEITERE KOMPONENTEN VON HADOOP ...................................... 304 12.5.6 GRENZEN VON HADOOP .............................................................. 305 12.6 APACHE SPARK ........................................................................................... 305 12.6.1 ARCHITEKTUR ................................................................................ 305 12.6.2 DATENSTRUKTUREN ....................................................................... 306 12.6.3 INFRASTRUKTUR .............................................................................. 307 12.6.4 WORTHAEUFIGKEITEN MIT SPARK ................................................... 307 12.7 JENSEITS VON HADOOP UND SPARK .............................................................. 308 13 WEITERFUEHRENDE KONZEPTE 309 ANHANG 311 A SELBST AUSFUEHREN 313 B NOTATIONEN 315 C ABKUERZUNGEN 319 D LITERATUR 321 INDEX 323
adam_txt	IX INHALTSUEBERSICHT 1 BIG DATA UND DATA SCIENCE 1 2 DER PROZESS VON DATA-SCIENCE-PROJEKTEN 13 3 ALLGEMEINES ZUR DATENANALYSE 33 4 ERKUNDEN DER DATEN 45 5 ASSOZIATIONSREGELN 83 6 CLUSTERANALYSE 95 7 KLASSIFIKATION 143 8 REGRESSION 215 9 ZEITREIHENANALYSE 233 10 TEXT MINING 251 11 STATISTIK 267 12 BIG DATA PROCESSING 285 13 WEITERFUEHRENDE KONZEPTE 309 INDEX ANHANG 311 A SELBST AUSFUEHREN 313 B NOTATIONEN 315 C ABKUERZUNGEN 319 D LITERATUR 321 323 XI INHALTSVERZEICHNIS 1 BIG DATA UND DATA SCIENCE 1 1.1 EINFUEHRUNG IN BIG DATA . 1 1.1.1 VOLUMEN . 2 1.1.2 VELOCITY/GESCHWINDIGKEIT . 3 1.1.3 VARIETY/VIELFALT . 4 1.1.4 INNOVATIVE INFORMATIONSVERARBEITUNGSMETHODEN . 6 1.1.5 WISSEN GENERIEREN, ENTSCHEIDUNGEN TREFFEN, PROZESSE AUTOMATISIEREN . 7 1.1.6 NOCH MEHR VS . 7 1.2 EINFUEHRUNG IN DATA SCIENCE . 7 1.2.1 WAS GEHOERT ZU DATA SCIENCE? . 8 1.2.2 BEISPIELANWENDUNGEN . 10 1.3 FAEHIGKEITEN VON DATA SCIENTISTS . 11 2 DER PROZESS VON DATA-SCIENCE-PROJEKTEN 13 2.1 DER GENERISCHE DATA-SCIENCE-PROZESS . 14 2.1.1 DISCOVERY . 15 2.1.2 DATENVORBEREITUNG . 18 2.1.3 MODELLPLANUNG . 21 2.1.4 MODELLERSTELLUNG . 24 2.1.5 KOMMUNIKATION DER ERGEBNISSE . 25 2.1.6 OPERATIONALISIERUNG . 25 2.2 ROLLEN IN DATA-SCIENCE-PROJEKTEN . 26 2.2.1 ANWENDERIN . 27 2.2.2 PROJEKTSPONSORIN . 27 2.2.3 PROJEKTMANAGERIN . 28 2.2.4 DATENINGENIEURIN . 28 2.2.5 DATENBANKADMINISTRATORIN . 29 2.2.6 DATA SCIENTIST . 29 XII INHALTSVERZEICHNIS 2.3 DELIVERABLES . 29 2.3.1 SPONSORENPRAESENTATION . 30 2.3.2 ANALYSTENPRAESENTATION . 30 2.3.3 QUELLTEXT . 31 2.3.4 TECHNISCHE SPEZIFIKATION . 31 2.3.5 DATEN . 31 3 ALLGEMEINES ZUR DATENANALYSE 33 3.1 DAS NO-FREE-LUNCH-THEOREM . 33 3.2 DEFINITION VON MASCHINELLEM LERNEN . 34 3.3 MERKMALE . 35 3.4 TRAININGS UND TESTDATEN . 38 3.5 KATEGORIEN VON ALGORITHMEN . 41 3.6 UEBUNG . 42 4 ERKUNDEN DER DATEN 45 4.1 TEXTEDITOREN UND DIE KOMMANDOZEILE .45 4.2 DESKRIPTIVE STATISTIK . 47 4.2.1 LAGEMASSE . 47 4.2.2 VARIABILITAET .50 4.2.3 DATENBEREICH .52 4.3 VISUALISIERUNG . 53 4.3.1 ANSCOMBES QUARTETT . 55 4.3.2 EINZELNE MERKMALE . 57 4.3.3 BEZIEHUNGEN ZWISCHEN MERKMALEN .69 4.3.4 SCATTERPLOTS FUER HOCHDIMENSIONALE DATEN . 77 4.3.5 ZEITLICHE TRENDS .79 4.4 UEBUNG . 82 5 ASSOZIATIONSREGELN 83 5.1 DER APRIORI-ALGORITHMUS . 85 5.1.1 SUPPORT UND FREQUENT ITEMSETS . 85 5.1.2 ABLEITEN VON REGELN .87 5.1.3 CONFIDENCE, LIFT UND LEVERAGE . 87 5.1.4 EXPONENTIELLES WACHSTUM . 90 5.1.5 DIE APRIORI-EIGENSCHAFT . 91 5.1.6 EINSCHRAENKUNGEN FUER REGELN . 93 5.2 BEWERTUNG VON ASSOZIATIONSREGELN . 93 5.3 UEBUNG . 94 INHALTSVERZEICHNIS XIII 6 CLUSTERANALYSE 95 6.1 AEHNLICHKEITSMASSE . 96 6.2 STAEDTE UND HAEUSER . 98 6.3 ^-MEANS-ALGORITHMUS . 98 6.3.1 DER ALGORITHMUS . 100 6.3.2 BESTIMMEN VON K . 102 6.3.3 PROBLEME DES &-MEANS-ALGORITHMUS . 106 6.4 EM-CLUSTERING . 107 6.4.1 DER ALGORITHMUS . 110 6.4.2 BESTIMMEN VON K . 113 6.4.3 PROBLEME DES EM-CLUSTERING . 117 6.5 DBSCAN . 118 6.5.1 DER ALGORITHMUS . 119 6.5.2 BESTIMMEN VON E UND MINPTS . 123 6.5.3 PROBLEME BEI DBSCAN . 127 6.6 SINGLE LINKAGE CLUSTERING . 128 6.6.1 DER SLINK-ALGORITHMUS . 129 6.6.2 DENDROGRAMME . 130 6.6.3 PROBLEME BEI SLINK . 132 6.7 VERGLEICH DER ALGORITHMEN . 134 6.7.1 CLUSTERFORMEN . 134 6.7.2 ANZAHL DER CLUSTER . 137 6.7.3 AUSFUEHRUNGSZEIT . 137 6.7.4 INTERPRETIERBARKEIT UND DARSTELLUNG . 139 6.7.5 KATEGORISCHE MERKMALE . 139 6.7.6 FEHLENDE MERKMALE . 139 6.7.7 KORRELIERTE MERKMALE . 140 6.7.8 ZUSAMMENFASSUNG DES VERGLEICHS . 140 6.8 UEBUNG . 141 7 KLASSIFIKATION 143 7.1 BINAERE KLASSIFIKATION UND GRENZWERTE . 145 7.2 GUETEMASSE . 148 7.2.1 DIE CONFUSION MATRIX . 148 7.2.2 DIE BINAERE CONFUSION MATRIX . 149 7.2.3 BINAERE GUETEMASSE . 150 7.2.4 DIE RECEIVER OPERATOR CHARACTERISTIC (ROC) . 152 7.2.5 AREA UNDER THE CURVE (AUC) . 154 7.2.6 MICRO UND MACRO AVERAGES . 156 7.2.7 JENSEITS DER CONFUSION MATRIX . 157 XIV INHALTSVERZEICHNIS 7.3 DECISION SURFACES . 158 7.4 FE-NEAREST NEIGHBOR . 160 7.5 ENTSCHEIDUNGSBAEUME . 164 7.6 RANDOM FORESTS .169 7.7 LOGISTISCHE REGRESSION .174 7.8 NAIVE BAYES . 177 7.9 SUPPORT VECTOR MACHINES (SVMS) .179 7.10 NEURONALE NETZWERKE . 185 7.10.1 EXKURS: CNNS ZUM ERKENNEN VON ZAHLEN . 192 7.11 VERGLEICH DER KLASSIFIKATIONSALGORITHMEN . 197 7.11.1 GRUNDIDEE . 197 7.11.2 DECISION SURFACES . 197 7.11.3 AUSFUEHRUNGSZEIT . 206 7.11.4 INTERPRETIERBARKEIT UND DARSTELLUNG . 209 7.11.5 SCORING . 209 7.11.6 KATEGORISCHE MERKMALE . 210 7.11.7 FEHLENDE MERKMALE . 210 7.11.8 KORRELIERTE MERKMALE . 210 7.11.9 ZUSAMMENFASSUNG DES VERGLEICHS . 211 7.12 UEBUNG . 212 8 REGRESSION 215 8.1 GUETE VON REGRESSIONEN . 216 8.1.1 VISUELLE BEWERTUNG DER GUETE . 218 8.1.2 GUETEMASSE . 221 8.2 LINEARE REGRESSION . 223 8.2.1 ORDINARY LEAST SQUARES (OLS) . 224 8.2.2 RIDGE . 225 8.2.3 LASSO . 225 8.2.4 ELASTIC NET . 226 8.2.5 AUSWIRKUNG DER REGULARISIERUNG . 226 8.3 JENSEITS VON LINEARER REGRESSION . 231 8.4 UEBUNG .231 9 ZEITREIHENANALYSE 233 9.1 BOX-JENKINS-VERFAHREN . 235 9.2 TRENDS UND SAISONALE EFFEKTE . 236 9.2.1 REGRESSION UND DAS SAISONALE MITTEL . 236 9.2.2 DIFFERENCING . 240 9.2.3 VERGLEICH DER ANSAETZE . 242 INHALTSVERZEICHNIS XV 9.3 AUTOKORRELATIONEN MIT ARMA . 242 9.3.1 AUTOKORRELATION UND PARTIELLE AUTOKORRELATION . 242 9.3.2 AR, MA UND ARMA . 246 9.3.3 AUSWAHL VON P UND Q . 247 9.3.4 ARIMA . 248 9.4 JENSEITS VON BOX-JENKINS . 249 9.5 UEBUNG . 249 10 TEXT MINING 251 10.1 PREPROCESSING . 253 10.1.1 ERSTELLUNG EINES KORPUS . 253 10.1.2 RELEVANTER INHALT . 253 10.1.3 ZEICHENSETZUNG UND GROSSSCHREIBUNG . 255 10.1.4 STOPPWOERTER . 256 10.1.5 STEMMING UND LEMMATISIERUNG . 257 10.1.6 VISUALISIERUNG DES PREPROCESSING . 259 10.1.7 BAG-OF-WORDS . 261 10.1.8 INVERSE DOCUMENT FREQUENCY . 262 10.1.9 JENSEITS DES BAG-OF-WORDS . 264 10.2 HERAUSFORDERUNGEN DES TEXT MINING . 265 10.2.1 DIMENSIONALITAET . 265 10.2.2 MEHRDEUTIGKEITEN . 265 10.2.3 WEITERE PROBLEME . 266 10.3 UEBUNG . 266 11 STATISTIK 267 11.1 HYPOTHESENTESTS . 268 11.1.1 T-TEST . 269 11.1.2 DAS SIGNIFIKANZNIVEAU . 272 11.1.3 WICHTIGE HYPOTHESENTESTS . 272 11.1.4 ANWENDUNG DER TESTS . 274 11.1.5 UEBLICHE FEHLER BEI HYPOTHESENTESTS . 275 11.2 EFFEKTSTAERKE . 277 11.3 KONFIDENZINTERVALLE . 279 11.4 GUTE BESCHREIBUNG VON ERGEBNISSEN . 282 11.5 UEBUNG . 283 12 BIG DATA PROCESSING 285 12.1 PARALLELISIERUNG . 285 12.2 VERTEILTES RECHNEN ZUR DATENANALYSE . 286 12.3 DATENLOKALITAET . 288 XVI INHALTSVERZEICHNIS 12.4 MAPREDUCE . 288 12.4.1 MAP() . 289 12.4.2 SHUFFLEF) . 290 12.4.3 REDUCE() . 290 12.4.4 WORTHAEUFIGKEITEN MIT MAPREDUCE . 290 12.4.5 PARALLELISIERUNG . 291 12.5 APACHE HADOOP . 292 12.5.1 HDFS . 293 12.5.2 YARN . 295 12.5.3 MAPREDUCE MIT HADOOP . 297 12.5.4 STREAMING MODE . 302 12.5.5 WEITERE KOMPONENTEN VON HADOOP . 304 12.5.6 GRENZEN VON HADOOP . 305 12.6 APACHE SPARK . 305 12.6.1 ARCHITEKTUR . 305 12.6.2 DATENSTRUKTUREN . 306 12.6.3 INFRASTRUKTUR . 307 12.6.4 WORTHAEUFIGKEITEN MIT SPARK . 307 12.7 JENSEITS VON HADOOP UND SPARK . 308 13 WEITERFUEHRENDE KONZEPTE 309 ANHANG 311 A SELBST AUSFUEHREN 313 B NOTATIONEN 315 C ABKUERZUNGEN 319 D LITERATUR 321 INDEX 323
any_adam_object	1
any_adam_object_boolean	1
author	Herbold, Steffen
author_GND	(DE-588)121579455X
author_facet	Herbold, Steffen
author_role	aut
author_sort	Herbold, Steffen
author_variant	s h sh
building	Verbundindex
bvnumber	BV047335906
classification_rvk	ST 515 ST 530 QP 345
ctrlnum	(OCoLC)1296365604 (DE-599)DNB1234332213
discipline	Informatik Wirtschaftswissenschaften
discipline_str_mv	Informatik Wirtschaftswissenschaften
format	Book
fullrecord	<?xml version="1.0" encoding="UTF-8"?><collection xmlns="http://www.loc.gov/MARC21/slim"><record><leader>03625nam a2200877 c 4500</leader><controlfield tag="001">BV047335906</controlfield><controlfield tag="003">DE-604</controlfield><controlfield tag="005">20221107 </controlfield><controlfield tag="007">t</controlfield><controlfield tag="008">210617s2022 gw a\|\|\| \|\|\|\| 00\|\|\| ger d</controlfield><datafield tag="015" ind1=" " ind2=" "><subfield code="a">21,N22</subfield><subfield code="2">dnb</subfield></datafield><datafield tag="016" ind1="7" ind2=" "><subfield code="a">1234332213</subfield><subfield code="2">DE-101</subfield></datafield><datafield tag="020" ind1=" " ind2=" "><subfield code="a">9783864908620</subfield><subfield code="c">kart. : EUR 34.90 (DE), EUR 35.90 (AT) circa CHF 36.11 (freier Preis)</subfield><subfield code="9">978-3-86490-862-0</subfield></datafield><datafield tag="020" ind1=" " ind2=" "><subfield code="a">3864908620</subfield><subfield code="9">3-86490-862-0</subfield></datafield><datafield tag="024" ind1="3" ind2=" "><subfield code="a">9783864908620</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(OCoLC)1296365604</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(DE-599)DNB1234332213</subfield></datafield><datafield tag="040" ind1=" " ind2=" "><subfield code="a">DE-604</subfield><subfield code="b">ger</subfield><subfield code="e">rda</subfield></datafield><datafield tag="041" ind1="0" ind2=" "><subfield code="a">ger</subfield></datafield><datafield tag="044" ind1=" " ind2=" "><subfield code="a">gw</subfield><subfield code="c">XA-DE-BW</subfield></datafield><datafield tag="049" ind1=" " ind2=" "><subfield code="a">DE-1102</subfield><subfield code="a">DE-Aug4</subfield><subfield code="a">DE-1043</subfield><subfield code="a">DE-860</subfield><subfield code="a">DE-B768</subfield><subfield code="a">DE-20</subfield><subfield code="a">DE-19</subfield><subfield code="a">DE-1051</subfield><subfield code="a">DE-706</subfield><subfield code="a">DE-862</subfield><subfield code="a">DE-739</subfield><subfield code="a">DE-824</subfield><subfield code="a">DE-573</subfield><subfield code="a">DE-898</subfield><subfield code="a">DE-473</subfield><subfield code="a">DE-1028</subfield><subfield code="a">DE-858</subfield><subfield code="a">DE-523</subfield><subfield code="a">DE-1046</subfield><subfield code="a">DE-859</subfield><subfield code="a">DE-703</subfield><subfield code="a">DE-573n</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">ST 515</subfield><subfield code="0">(DE-625)143677:</subfield><subfield code="2">rvk</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">ST 530</subfield><subfield code="0">(DE-625)143679:</subfield><subfield code="2">rvk</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">QP 345</subfield><subfield code="0">(DE-625)141866:</subfield><subfield code="2">rvk</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="8">1\p</subfield><subfield code="a">004</subfield><subfield code="2">23sdnb</subfield></datafield><datafield tag="100" ind1="1" ind2=" "><subfield code="a">Herbold, Steffen</subfield><subfield code="e">Verfasser</subfield><subfield code="0">(DE-588)121579455X</subfield><subfield code="4">aut</subfield></datafield><datafield tag="245" ind1="1" ind2="0"><subfield code="a">Data-Science-Crashkurs</subfield><subfield code="b">eine interaktive und praktische Einführung</subfield><subfield code="c">Steffen Herbold</subfield></datafield><datafield tag="246" ind1="1" ind2="3"><subfield code="a">Data Science Crashkurs</subfield></datafield><datafield tag="264" ind1=" " ind2="1"><subfield code="a">Heidelberg</subfield><subfield code="b">dpunkt.verlag</subfield><subfield code="c">[2022]</subfield></datafield><datafield tag="300" ind1=" " ind2=" "><subfield code="a">xvi, 330 Seiten</subfield><subfield code="b">Illustrationen, Diagramme</subfield><subfield code="c">24 cm x 16.5 cm</subfield></datafield><datafield tag="336" ind1=" " ind2=" "><subfield code="b">txt</subfield><subfield code="2">rdacontent</subfield></datafield><datafield tag="337" ind1=" " ind2=" "><subfield code="b">n</subfield><subfield code="2">rdamedia</subfield></datafield><datafield tag="338" ind1=" " ind2=" "><subfield code="b">nc</subfield><subfield code="2">rdacarrier</subfield></datafield><datafield tag="500" ind1=" " ind2=" "><subfield code="a">Auf dem Umschlag: Mit Jupyter Notebooks</subfield></datafield><datafield tag="500" ind1=" " ind2=" "><subfield code="a">Literaturverzeichnis Seite 321-322</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">Python</subfield><subfield code="g">Programmiersprache</subfield><subfield code="0">(DE-588)4434275-5</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Data Science</subfield><subfield code="0">(DE-588)1140936166</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">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">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">Data-Warehouse-Konzept</subfield><subfield code="0">(DE-588)4406462-7</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Statistik</subfield><subfield code="0">(DE-588)4056995-0</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Data Science</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Machinelles Lernen</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Big Data</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Deep Learning</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">neuronale Netze</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Algorithmen</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Data Mining</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Datenanalyse</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Mathematik</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Python</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Statistik</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Wahrscheinlichkeit</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Jupyter-Notebook</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Machine Learning</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">KI</subfield></datafield><datafield tag="655" ind1=" " ind2="7"><subfield code="0">(DE-588)4151278-9</subfield><subfield code="a">Einführung</subfield><subfield code="2">gnd-content</subfield></datafield><datafield tag="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">Data Mining</subfield><subfield code="0">(DE-588)4428654-5</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="0" ind2="2"><subfield code="a">Data Science</subfield><subfield code="0">(DE-588)1140936166</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="0" ind2="3"><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="4"><subfield code="a">Data-Warehouse-Konzept</subfield><subfield code="0">(DE-588)4406462-7</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="0" ind2="5"><subfield code="a">Statistik</subfield><subfield code="0">(DE-588)4056995-0</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="0" ind2=" "><subfield code="5">DE-604</subfield></datafield><datafield tag="689" ind1="1" ind2="0"><subfield code="a">Data Science</subfield><subfield code="0">(DE-588)1140936166</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="1" ind2="1"><subfield code="a">Python</subfield><subfield code="g">Programmiersprache</subfield><subfield code="0">(DE-588)4434275-5</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">Dpunkt.Verlag (Heidelberg)</subfield><subfield code="0">(DE-588)6085529-0</subfield><subfield code="4">pbl</subfield></datafield><datafield tag="776" ind1="0" ind2="8"><subfield code="i">Erscheint auch als</subfield><subfield code="n">Online-Ausgabe, PDF</subfield><subfield code="z">978-3-96910-618-1</subfield></datafield><datafield tag="776" ind1="0" ind2="8"><subfield code="i">Erscheint auch als</subfield><subfield code="n">Online-Ausgabe, EPUB</subfield><subfield code="z">978-3-96910-619-8</subfield></datafield><datafield tag="776" ind1="0" ind2="8"><subfield code="i">Erscheint auch als</subfield><subfield code="n">Online-Ausgabe, MOBI</subfield><subfield code="z">978-3-96910-620-4</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=032738429&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:BVB01-032738429</subfield></datafield><datafield tag="883" ind1="2" ind2=" "><subfield code="8">1\p</subfield><subfield code="a">dnb</subfield><subfield code="d">20210329</subfield><subfield code="q">DE-101</subfield><subfield code="u">https://d-nb.info/provenance/plan#dnb</subfield></datafield></record></collection>
genre	(DE-588)4151278-9 Einführung gnd-content (DE-588)4123623-3 Lehrbuch gnd-content
genre_facet	Einführung Lehrbuch
id	DE-604.BV047335906
illustrated	Illustrated
index_date	2024-07-03T17:32:39Z
indexdate	2025-02-20T06:44:47Z
institution	BVB
institution_GND	(DE-588)6085529-0
isbn	9783864908620 3864908620
language	German
oai_aleph_id	oai:aleph.bib-bvb.de:BVB01-032738429
oclc_num	1296365604
open_access_boolean
owner	DE-1102 DE-Aug4 DE-1043 DE-860 DE-B768 DE-20 DE-19 DE-BY-UBM DE-1051 DE-706 DE-862 DE-BY-FWS DE-739 DE-824 DE-573 DE-898 DE-BY-UBR DE-473 DE-BY-UBG DE-1028 DE-858 DE-523 DE-1046 DE-859 DE-703 DE-573n
owner_facet	DE-1102 DE-Aug4 DE-1043 DE-860 DE-B768 DE-20 DE-19 DE-BY-UBM DE-1051 DE-706 DE-862 DE-BY-FWS DE-739 DE-824 DE-573 DE-898 DE-BY-UBR DE-473 DE-BY-UBG DE-1028 DE-858 DE-523 DE-1046 DE-859 DE-703 DE-573n
physical	xvi, 330 Seiten Illustrationen, Diagramme 24 cm x 16.5 cm
publishDate	2022
publishDateSearch	2022
publishDateSort	2022
publisher	dpunkt.verlag
record_format	marc
spellingShingle	Herbold, Steffen Data-Science-Crashkurs eine interaktive und praktische Einführung Datenanalyse (DE-588)4123037-1 gnd Python Programmiersprache (DE-588)4434275-5 gnd Data Science (DE-588)1140936166 gnd Data Mining (DE-588)4428654-5 gnd Big Data (DE-588)4802620-7 gnd Data-Warehouse-Konzept (DE-588)4406462-7 gnd Statistik (DE-588)4056995-0 gnd
subject_GND	(DE-588)4123037-1 (DE-588)4434275-5 (DE-588)1140936166 (DE-588)4428654-5 (DE-588)4802620-7 (DE-588)4406462-7 (DE-588)4056995-0 (DE-588)4151278-9 (DE-588)4123623-3
title	Data-Science-Crashkurs eine interaktive und praktische Einführung
title_alt	Data Science Crashkurs
title_auth	Data-Science-Crashkurs eine interaktive und praktische Einführung
title_exact_search	Data-Science-Crashkurs eine interaktive und praktische Einführung
title_exact_search_txtP	Data-Science-Crashkurs eine interaktive und praktische Einführung
title_full	Data-Science-Crashkurs eine interaktive und praktische Einführung Steffen Herbold
title_fullStr	Data-Science-Crashkurs eine interaktive und praktische Einführung Steffen Herbold
title_full_unstemmed	Data-Science-Crashkurs eine interaktive und praktische Einführung Steffen Herbold
title_short	Data-Science-Crashkurs
title_sort	data science crashkurs eine interaktive und praktische einfuhrung
title_sub	eine interaktive und praktische Einführung
topic	Datenanalyse (DE-588)4123037-1 gnd Python Programmiersprache (DE-588)4434275-5 gnd Data Science (DE-588)1140936166 gnd Data Mining (DE-588)4428654-5 gnd Big Data (DE-588)4802620-7 gnd Data-Warehouse-Konzept (DE-588)4406462-7 gnd Statistik (DE-588)4056995-0 gnd
topic_facet	Datenanalyse Python Programmiersprache Data Science Data Mining Big Data Data-Warehouse-Konzept Statistik Einführung Lehrbuch
url	http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=032738429&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA
work_keys_str_mv	AT herboldsteffen datasciencecrashkurseineinteraktiveundpraktischeeinfuhrung AT dpunktverlagheidelberg datasciencecrashkurseineinteraktiveundpraktischeeinfuhrung AT herboldsteffen datasciencecrashkurs AT dpunktverlagheidelberg datasciencecrashkurs

Verfügbarkeit

Inhaltsverzeichnis

THWS Schweinfurt Zentralbibliothek Lesesaal

Bestandesangaben von THWS Schweinfurt Zentralbibliothek Lesesaal
Signatur:	2000 ST 530 H538
Exemplar 1	ausleihbar Verfügbar Bestellen

MARC

Datensatz im Suchindex

THWS Schweinfurt Zentralbibliothek Lesesaal

Ähnliche Einträge