Künstliche Intelligenz und Data Science in Theorie und Praxis: von Algorithmen und Methoden zur praktischen Umsetzung in Unternehmen
Gespeichert in:
| Weitere Verfasser: | , , |
|---|---|
| Format: | Buch |
| Sprache: | German |
| Veröffentlicht: |
Berlin
Springer Spektrum
[2023]
|
| Schlagworte: | |
| Online-Zugang: | Inhaltstext http://www.springer.com/ Inhaltsverzeichnis |
| Beschreibung: | XV, 354 Seiten Illustrationen, Diagramme 23.5 cm x 15.5 cm |
| ISBN: | 9783662662779 3662662779 |
Internformat
MARC
| LEADER | 00000nam a22000008c 4500 | ||
|---|---|---|---|
| 001 | BV049032264 | ||
| 003 | DE-604 | ||
| 005 | 20240202 | ||
| 007 | t| | ||
| 008 | 230704s2023 gw a||| |||| 00||| ger d | ||
| 016 | 7 | |a 126777536X |2 DE-101 | |
| 020 | |a 9783662662779 |c Broschur : EUR 49.99 (DE), EUR 51.39 (AT), circa CHF 55.50 (freier Preis) |9 978-3-662-66277-9 | ||
| 020 | |a 3662662779 |9 3-662-66277-9 | ||
| 035 | |a (OCoLC)1344381702 | ||
| 035 | |a (DE-599)DNB126777536X | ||
| 040 | |a DE-604 |b ger |e rda | ||
| 041 | 0 | |a ger | |
| 044 | |a gw |c XA-DE-BE | ||
| 049 | |a DE-1028 |a DE-355 |a DE-860 |a DE-523 |a DE-739 | ||
| 082 | 0 | |a 005.7 |2 23/ger | |
| 082 | 0 | |a 006.3 |2 23/ger | |
| 084 | |a ST 300 |0 (DE-625)143650: |2 rvk | ||
| 084 | |a QP 345 |0 (DE-625)141866: |2 rvk | ||
| 084 | |8 1\p |a 510 |2 23sdnb | ||
| 245 | 1 | 0 | |a Künstliche Intelligenz und Data Science in Theorie und Praxis |b von Algorithmen und Methoden zur praktischen Umsetzung in Unternehmen |
| 264 | 1 | |a Berlin |b Springer Spektrum |c [2023] | |
| 300 | |a XV, 354 Seiten |b Illustrationen, Diagramme |c 23.5 cm x 15.5 cm | ||
| 336 | |b txt |2 rdacontent | ||
| 337 | |b n |2 rdamedia | ||
| 338 | |b nc |2 rdacarrier | ||
| 650 | 0 | 7 | |a Künstliche Intelligenz |0 (DE-588)4033447-8 |2 gnd |9 rswk-swf |
| 650 | 0 | 7 | |a Datenanalyse |0 (DE-588)4123037-1 |2 gnd |9 rswk-swf |
| 650 | 0 | 7 | |a Data Science |0 (DE-588)1140936166 |2 gnd |9 rswk-swf |
| 650 | 0 | 7 | |a Maschinelles Lernen |0 (DE-588)4193754-5 |2 gnd |9 rswk-swf |
| 653 | |a Datenanalyse | ||
| 653 | |a Angewandte Statistik | ||
| 653 | |a Big Data | ||
| 653 | |a Data Science | ||
| 653 | |a KI | ||
| 653 | |a Künstliche Intelligence | ||
| 653 | |a AI | ||
| 653 | |a Artificial Intelligence | ||
| 653 | |a ML | ||
| 653 | |a Data Engineering | ||
| 653 | |a Datenstrategie | ||
| 653 | |a Data Governance | ||
| 653 | |a Machine Learning | ||
| 653 | |a Maschinelles Lernen | ||
| 689 | 0 | 0 | |a Data Science |0 (DE-588)1140936166 |D s |
| 689 | 0 | 1 | |a Künstliche Intelligenz |0 (DE-588)4033447-8 |D s |
| 689 | 0 | 2 | |a Maschinelles Lernen |0 (DE-588)4193754-5 |D s |
| 689 | 0 | 3 | |a Künstliche Intelligenz |0 (DE-588)4033447-8 |D s |
| 689 | 0 | 4 | |a Data Science |0 (DE-588)1140936166 |D s |
| 689 | 0 | 5 | |a Datenanalyse |0 (DE-588)4123037-1 |D s |
| 689 | 0 | |5 DE-604 | |
| 700 | 1 | |a Gillhuber, Andreas |d 1969- |0 (DE-588)1300940247 |4 edt | |
| 700 | 1 | |a Kauermann, Göran |d 1965- |0 (DE-588)172534119 |4 edt | |
| 700 | 1 | |a Hauner, Wolfgang |0 (DE-588)1300939664 |4 edt | |
| 710 | 2 | |a Springer-Verlag GmbH |0 (DE-588)1065168780 |4 pbl | |
| 776 | 0 | 8 | |i Erscheint auch als |n Online-Ausgabe |z 978-3-662-66278-6 |
| 856 | 4 | 2 | |m X:MVB |q text/html |u http://deposit.dnb.de/cgi-bin/dokserv?id=f757b10e1bcf4e7e87100f153d613547&prov=M&dok_var=1&dok_ext=htm |3 Inhaltstext |
| 856 | 4 | 2 | |m X:MVB |u http://www.springer.com/ |
| 856 | 4 | 2 | |m Digitalisierung UB Passau - ADAM Catalogue Enrichment |q application/pdf |u http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=034294940&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA |3 Inhaltsverzeichnis |
| 883 | 1 | |8 1\p |a vlb |d 20220910 |q DE-101 |u https://d-nb.info/provenance/plan#vlb | |
| 943 | 1 | |a oai:aleph.bib-bvb.de:BVB01-034294940 | |
Datensatz im Suchindex
| _version_ | 1817968300500451328 |
|---|---|
| adam_text |
Inhaltsverzeichnis Teil I 1 2 Grundlagen von Data Science Geschichte von Data Science. 3 Göran Kauermann Literatur. . 6 Data Science in der Ausbildung. 7 Göran Kauermann 3 Quantifizierung von Unsicherheit. Göran Kauermann Literatur. 4 5 6 13 17 Maschinelles Lernen. 19 Damian Borth, Eyke Hüllermeier und Göran Kauermann 4.1 Einleitung und Prinzipien des ML. 4.2 Regression. 4.3 Bayes Modelle und MCMC. 4.4 Entscheidungsbäume und Regellernen. 4.5 Neuronale Netze. 4.6 Automatisiertes Maschinelles Lernen. 'Literatur. . 19 23 26 28 35 44 47 Strukturierte und unstrukturierte Daten. 51 Wolfgang Reuter, Anna Korotkova und Linh
Nguyen 5.1 Wie Computer sehen (lernten). 5.2 Natural Language Processing. Literatur. 53 58 68 Visualisierung und Exploration. 69 Kathrin Guckes 6.1 Vorteile visualisierungsgetriebener Ansätze. 6.2 Visuelle Variablen. 6.3 Visualisierung in der Praxis. . Literatur. :. 72 77 86 88 VII
VIII 7 Inhaltsverzeichnis Datenethik zwischen gesellschaftlichem Anspruch und betrieblicher Praxis. 93 Ulrich Hemel 7.1 Datenethik - Wirkungsgeschichte und Geltungsbereich. 7.2 Digitale Datenethik in Institutionen und digitale Unternehmensethik. 96 7.3 Berufsspezifische Datenethik und digitale Professionsethik. 7.4 Digitale Datenethik von Individuen und grundsätzliche Ethikmodelle. 7.5 Politische Datenethik. 7.6 Ethische Herausforderungen durch KI und digitale Bereichsethiken. Ί.Ί Digitale Risikoethik und die ethische Toolbox. 7.8 Das Ziel: digitale Verantwortung. Literatur. Teil II 93 97 98 98 99 101 102 103 Data Science in der Praxis Data Science in der Praxis. 109 Andreas Gillhuber 8.1 Organisation. 8.2 Prozesse und Use Cases. 8.3 Rollen Verantwortungen. 8.4
Governance. 8.5 IT-Systemlandschaft. 8.6 Zusammenfassung. Literatur. 110 111 112 114 115 116 116 Data Science Use Cases. 117 Ludwig Brummer und Andreas Gillhuber 9.1 Vorgehensmodell. 9.2 Auswahl von Use Cases. 9.3 Priorisierung von Use Cases. 9.4 Detaillierung der Use Cases. 9.5 9.6 Ausblick. 117 119 120 122 124 126 10 Skalierbare und wertschaffende KI-Implementierung in der Luftfahrt. 129 Susan Wegner 10.1 Analytics Factory - „Menschen und Organisation“. 10.2 Analytics Factory - Daten, Technologie und Tools. 10.3 AI as a Service. .
Literatur. 130 133 137 138 8 9
Inhaltsverzeichnis 11 IX Künstliche Intelligenz: Anwendungen und Werkzeuge in der Automobilindustrie. 141 Andre Luckow, Joscha Eirich und Kai Demtröder 11.1 Einleitung. 11.2 Hintergrund: Künstliche Intelligenz und Maschinelles Lernen. 11.3 Anwendungen in der automobilen Wertschöpfungskette. 11.4 Diskussion. 11.5 Zusammenfassung. Literatur. 12 13 Architekturen und Technologien für den Data Lake. 157 157 158 160 161 164 165 165 Big Data bringt Einsparungen in Milliardenhöhe. 167 Thomas Froese 13.1 Einführung. 167 13.2 Was ist der konkrete Nutzen von Daten in der Produktion? . 168 13.3 Einsparungen in Milliardenhöhe. 169 13.4 Datenqualität als Schlüsselgröße. 169 13.5 „What-If-Optimizer“. 170 13.6 Auswirkungen der Datenqualität auf die Effizienz des Maschinellen
Lernens. 170 Beispiele aus der Praxis (Rück-)Versicherung. Wolfgang Hauner 14.1 Daten- und KI-gestütztes Schadenmanagement in der Versicherung. 15 142 147 151 152 153 Carsten Dittmar und Peter Schulz 12.1 Historie der dispositiven Datenplattformen. 12.2 Das Data-Lake-Konzept. 12.3 Reifegrad von Data-Lakes. . 12.4 Architekturprinzipien eines Data-Lakes. 12.5 Datenarchitektur eines Data-Lakes. 12.6 Zusammenfassung. Literatur. Teil III 14 141 175 175 Die AI Factory der ERGO. Felix Wenzel und Alexander Haag 15.1 Daten und AI in Erstversicherungsunternehmen. 15.2 Daten als Treibstoff der digitalen Transformation. 15.3 AI-Implementierung als „Selbstläufer“?. 15.4 Nutzenerwartung bei ERGO. 15.5 Zielsetzung und Scope der AI
Factory. 15.6 Machine Learning Operations als übergeordnetes Paradigma. 192 187 188 189 189 190 191
Inhaltsverzeichnis X 15.7 Adaption von ML-Ops für ERGO. 192 15.8 Implementierung in der AI Factory. 194 15.9 IT-Architektur. 197 15.10 AI-Governance-und Compliance-Aspekte. 199 15.11 Fazit. 200 Literatur. 201 16 17 18 Daten und Rückversicherung: Eine ewige Liebe. 203 Monica Epple und Maya Bundt 16.1 Swiss Re: Einer der größten Rückversicherer weltweit. 16.2 Rückversicherung: Was ist das eigentlich? . 16.3 Im Innern der Rückversicherung. 16.4 Daten und Analytics in der Rückversicherung. 16.5 Zusammenfassung und Ausblick. 203 203 206 208 214 Automotive Manufacturing. 215 Joscha Eirich, Andre Luckow und Kai Demtröder 17.1 Visual Analytics zur Optimierung von Prüfprozessen in der Serienfertigung elektrischer Motoren. Literatur. 225 215 Computer Vision based Deep Learning zur
Reifenwanderkennung. 227 Holger Großkreutz und Dubravko Dolic 18.1 Vom OCR zur Al-getriebenen Computer Vision. 18.2 Knowledge-Aufbau - Deep Learning als Technologieprojekt. 18.3 Konsolidierung und Aufbau eines Frameworks zur DL-gestützten Bilderkennung. 18.4 Aktueller Status und Ausblick. 19 20 228 230 232 233 . 235 Luca Bruder und Dina Krayzier 19.1 Autonomes Fahren: Aktuelle Entwicklung und Herausforderungen. 235 19.2 Das Projekt KI-Wissen: Idee und Ziele. 19.3 Explainable AI-Methoden in KI-Wissen. 19.4 Fazit. Literatur. 237 238 244 244 Energiewirtschaft. 247 Autonomes Fahren und das Projekt Kl-Wissen. Philipp Ditzel, Michael Mommert und Wolfgang Korosec 20.1 Optimierung der Photovoltaik-Prognose mittels Deep Learning . 247
Inhaltsverzeichnis 21 22 Transport Logistik. 255 Christian Spannbauer und Sebastian Weber 21.1 Alternative Daten zur kommerziellen Steuerung der Lufthansa Airlines. 255 21.2 Zusammenfassung und Ausblick. Literatur. 265 265 Die Entwicklung eines Kartellscreening-Tools bei der Deutsche Bahn AG. 267 Hannes Beth und Livia Kaiser 22.1 Einleitung. 22.2 Set-Up des Kartellscreening-Projekts. 22.3 Entwicklung des daten- undalgorithmusbasierten Kartellscreening-Tools. 22.4 Ausblick. Literatur. 23 267 270 273 280 281 Datenstrategie „Mehrwert durch Daten und KI“ professionalisiert die Digitalisierung der Bahn. 283 Oliver Wittmaier, Anna Einhorn, Ursula Besbak und Nicholas Drude 23.1 Einführung. 23.2 Fünf Handlungsfelder der DB-Datenstrategie. 23.3
Schlagkräftige Data-Governance zur Sicherstellung der notwendigen Datenqualität. 23.4 Wesentliche Governance-Rollen für die Geschäftsfeld- Bereiche. 23.5 Zentraler Datenkatalog für mehr Datentransparenz und einfache Datenverfügbarkeit bei der DB. 288 23.6 Erfolgreicher Start im Bahnalltag. 23.7 Operating Model des Datenkatalogs. 23.8 Einjährige Pilotierungsphase zur Erprobung des Datenkatalogs. 23.9 Erfolgsfaktoren bei der Einführung. 23.10 User Enablement und Content-Generierung im Fokus. 23.11 Fazit und Ausblick. 24 XI Wie Künstliche Intelligenz helfen kann, die Pünktlichkeit der Bahn zu verbessern. 284 284 285 286 288 289 290 290 291 291 293 Hannah Richta 24.1 Einleitung. 293 24.2 Dispositionsentscheidungen. 294 24.3 Ansatzpunkt und Ansätze für Künstliche Intelligenz. 296
Inhaltsverzeichnis XII Die automatische Dispositionsassistenz auf Grundlage des Produktionsmodells Betrieb. 300 24.5 Ausblick. Literatur. 303 303 24.4 25 26 27 Gesundheitswesen, Chemie/Pharma. 305 Wolfgang Reuter 25.1 Wie falsche ärztliche Diagnosen den Einsatz Künstlicher Intelligenz in der Medizin behindern. 305 Literatur. 318 Retail Consumer Products, Media. 321 Karin Immenroth und Marc Egger 26.1 Let’s Talk Data: SmartSearch als Beispiel für innovative End-to-End-Datenproduktentwicklung bei RTL. 321 Literatur. 332 Automatische Klassifikation von Points-of-Interest für passgenaue Empfehlungen von Reise- und Freizeitaktivitäten in der ADAC Trips App. 333 Astrid Rohmfeld, Christina Sievers, Florian Leser und Nico Becker 27.1 Die Freizeitmotivationen. 27.2 Automatische Klassifizierung von POIs durch Maschinelles
Lernen. 27.3 Matching POIs und Nutzerprofil. 27.4 Ausblick. Literatur. 28 334 335 341 343 343 Modellierung der Nachfrageunsicherheit zur gezielten Steuerung auf Ziel-Servicelevel. 345 Matthias Ulrich und Robin Senge 28.1 Problemstellung. 28.2 Modellierung. 28.3 Technologie Stack. 28.4 Ergebnisse und Ausblick. Literatur. 348 349 352 353 354 |
| adam_txt |
Inhaltsverzeichnis Teil I 1 2 Grundlagen von Data Science Geschichte von Data Science. 3 Göran Kauermann Literatur. . 6 Data Science in der Ausbildung. 7 Göran Kauermann 3 Quantifizierung von Unsicherheit. Göran Kauermann Literatur. 4 5 6 13 17 Maschinelles Lernen. 19 Damian Borth, Eyke Hüllermeier und Göran Kauermann 4.1 Einleitung und Prinzipien des ML. 4.2 Regression. 4.3 Bayes Modelle und MCMC. 4.4 Entscheidungsbäume und Regellernen. 4.5 Neuronale Netze. 4.6 Automatisiertes Maschinelles Lernen. 'Literatur. . 19 23 26 28 35 44 47 Strukturierte und unstrukturierte Daten. 51 Wolfgang Reuter, Anna Korotkova und Linh
Nguyen 5.1 Wie Computer sehen (lernten). 5.2 Natural Language Processing. Literatur. 53 58 68 Visualisierung und Exploration. 69 Kathrin Guckes 6.1 Vorteile visualisierungsgetriebener Ansätze. 6.2 Visuelle Variablen. 6.3 Visualisierung in der Praxis. . Literatur. :. 72 77 86 88 VII
VIII 7 Inhaltsverzeichnis Datenethik zwischen gesellschaftlichem Anspruch und betrieblicher Praxis. 93 Ulrich Hemel 7.1 Datenethik - Wirkungsgeschichte und Geltungsbereich. 7.2 Digitale Datenethik in Institutionen und digitale Unternehmensethik. 96 7.3 Berufsspezifische Datenethik und digitale Professionsethik. 7.4 Digitale Datenethik von Individuen und grundsätzliche Ethikmodelle. 7.5 Politische Datenethik. 7.6 Ethische Herausforderungen durch KI und digitale Bereichsethiken. Ί.Ί Digitale Risikoethik und die ethische Toolbox. 7.8 Das Ziel: digitale Verantwortung. Literatur. Teil II 93 97 98 98 99 101 102 103 Data Science in der Praxis Data Science in der Praxis. 109 Andreas Gillhuber 8.1 Organisation. 8.2 Prozesse und Use Cases. 8.3 Rollen Verantwortungen. 8.4
Governance. 8.5 IT-Systemlandschaft. 8.6 Zusammenfassung. Literatur. 110 111 112 114 115 116 116 Data Science Use Cases. 117 Ludwig Brummer und Andreas Gillhuber 9.1 Vorgehensmodell. 9.2 Auswahl von Use Cases. 9.3 Priorisierung von Use Cases. 9.4 Detaillierung der Use Cases. 9.5 9.6 Ausblick. 117 119 120 122 124 126 10 Skalierbare und wertschaffende KI-Implementierung in der Luftfahrt. 129 Susan Wegner 10.1 Analytics Factory - „Menschen und Organisation“. 10.2 Analytics Factory - Daten, Technologie und Tools. 10.3 AI as a Service. .
Literatur. 130 133 137 138 8 9
Inhaltsverzeichnis 11 IX Künstliche Intelligenz: Anwendungen und Werkzeuge in der Automobilindustrie. 141 Andre Luckow, Joscha Eirich und Kai Demtröder 11.1 Einleitung. 11.2 Hintergrund: Künstliche Intelligenz und Maschinelles Lernen. 11.3 Anwendungen in der automobilen Wertschöpfungskette. 11.4 Diskussion. 11.5 Zusammenfassung. Literatur. 12 13 Architekturen und Technologien für den Data Lake. 157 157 158 160 161 164 165 165 Big Data bringt Einsparungen in Milliardenhöhe. 167 Thomas Froese 13.1 Einführung. 167 13.2 Was ist der konkrete Nutzen von Daten in der Produktion? . 168 13.3 Einsparungen in Milliardenhöhe. 169 13.4 Datenqualität als Schlüsselgröße. 169 13.5 „What-If-Optimizer“. 170 13.6 Auswirkungen der Datenqualität auf die Effizienz des Maschinellen
Lernens. 170 Beispiele aus der Praxis (Rück-)Versicherung. Wolfgang Hauner 14.1 Daten- und KI-gestütztes Schadenmanagement in der Versicherung. 15 142 147 151 152 153 Carsten Dittmar und Peter Schulz 12.1 Historie der dispositiven Datenplattformen. 12.2 Das Data-Lake-Konzept. 12.3 Reifegrad von Data-Lakes. . 12.4 Architekturprinzipien eines Data-Lakes. 12.5 Datenarchitektur eines Data-Lakes. 12.6 Zusammenfassung. Literatur. Teil III 14 141 175 175 Die AI Factory der ERGO. Felix Wenzel und Alexander Haag 15.1 Daten und AI in Erstversicherungsunternehmen. 15.2 Daten als Treibstoff der digitalen Transformation. 15.3 AI-Implementierung als „Selbstläufer“?. 15.4 Nutzenerwartung bei ERGO. 15.5 Zielsetzung und Scope der AI
Factory. 15.6 Machine Learning Operations als übergeordnetes Paradigma. 192 187 188 189 189 190 191
Inhaltsverzeichnis X 15.7 Adaption von ML-Ops für ERGO. 192 15.8 Implementierung in der AI Factory. 194 15.9 IT-Architektur. 197 15.10 AI-Governance-und Compliance-Aspekte. 199 15.11 Fazit. 200 Literatur. 201 16 17 18 Daten und Rückversicherung: Eine ewige Liebe. 203 Monica Epple und Maya Bundt 16.1 Swiss Re: Einer der größten Rückversicherer weltweit. 16.2 Rückversicherung: Was ist das eigentlich? . 16.3 Im Innern der Rückversicherung. 16.4 Daten und Analytics in der Rückversicherung. 16.5 Zusammenfassung und Ausblick. 203 203 206 208 214 Automotive Manufacturing. 215 Joscha Eirich, Andre Luckow und Kai Demtröder 17.1 Visual Analytics zur Optimierung von Prüfprozessen in der Serienfertigung elektrischer Motoren. Literatur. 225 215 Computer Vision based Deep Learning zur
Reifenwanderkennung. 227 Holger Großkreutz und Dubravko Dolic 18.1 Vom OCR zur Al-getriebenen Computer Vision. 18.2 Knowledge-Aufbau - Deep Learning als Technologieprojekt. 18.3 Konsolidierung und Aufbau eines Frameworks zur DL-gestützten Bilderkennung. 18.4 Aktueller Status und Ausblick. 19 20 228 230 232 233 . 235 Luca Bruder und Dina Krayzier 19.1 Autonomes Fahren: Aktuelle Entwicklung und Herausforderungen. 235 19.2 Das Projekt KI-Wissen: Idee und Ziele. 19.3 Explainable AI-Methoden in KI-Wissen. 19.4 Fazit. Literatur. 237 238 244 244 Energiewirtschaft. 247 Autonomes Fahren und das Projekt Kl-Wissen. Philipp Ditzel, Michael Mommert und Wolfgang Korosec 20.1 Optimierung der Photovoltaik-Prognose mittels Deep Learning . 247
Inhaltsverzeichnis 21 22 Transport Logistik. 255 Christian Spannbauer und Sebastian Weber 21.1 Alternative Daten zur kommerziellen Steuerung der Lufthansa Airlines. 255 21.2 Zusammenfassung und Ausblick. Literatur. 265 265 Die Entwicklung eines Kartellscreening-Tools bei der Deutsche Bahn AG. 267 Hannes Beth und Livia Kaiser 22.1 Einleitung. 22.2 Set-Up des Kartellscreening-Projekts. 22.3 Entwicklung des daten- undalgorithmusbasierten Kartellscreening-Tools. 22.4 Ausblick. Literatur. 23 267 270 273 280 281 Datenstrategie „Mehrwert durch Daten und KI“ professionalisiert die Digitalisierung der Bahn. 283 Oliver Wittmaier, Anna Einhorn, Ursula Besbak und Nicholas Drude 23.1 Einführung. 23.2 Fünf Handlungsfelder der DB-Datenstrategie. 23.3
Schlagkräftige Data-Governance zur Sicherstellung der notwendigen Datenqualität. 23.4 Wesentliche Governance-Rollen für die Geschäftsfeld- Bereiche. 23.5 Zentraler Datenkatalog für mehr Datentransparenz und einfache Datenverfügbarkeit bei der DB. 288 23.6 Erfolgreicher Start im Bahnalltag. 23.7 Operating Model des Datenkatalogs. 23.8 Einjährige Pilotierungsphase zur Erprobung des Datenkatalogs. 23.9 Erfolgsfaktoren bei der Einführung. 23.10 User Enablement und Content-Generierung im Fokus. 23.11 Fazit und Ausblick. 24 XI Wie Künstliche Intelligenz helfen kann, die Pünktlichkeit der Bahn zu verbessern. 284 284 285 286 288 289 290 290 291 291 293 Hannah Richta 24.1 Einleitung. 293 24.2 Dispositionsentscheidungen. 294 24.3 Ansatzpunkt und Ansätze für Künstliche Intelligenz. 296
Inhaltsverzeichnis XII Die automatische Dispositionsassistenz auf Grundlage des Produktionsmodells Betrieb. 300 24.5 Ausblick. Literatur. 303 303 24.4 25 26 27 Gesundheitswesen, Chemie/Pharma. 305 Wolfgang Reuter 25.1 Wie falsche ärztliche Diagnosen den Einsatz Künstlicher Intelligenz in der Medizin behindern. 305 Literatur. 318 Retail Consumer Products, Media. 321 Karin Immenroth und Marc Egger 26.1 Let’s Talk Data: SmartSearch als Beispiel für innovative End-to-End-Datenproduktentwicklung bei RTL. 321 Literatur. 332 Automatische Klassifikation von Points-of-Interest für passgenaue Empfehlungen von Reise- und Freizeitaktivitäten in der ADAC Trips App. 333 Astrid Rohmfeld, Christina Sievers, Florian Leser und Nico Becker 27.1 Die Freizeitmotivationen. 27.2 Automatische Klassifizierung von POIs durch Maschinelles
Lernen. 27.3 Matching POIs und Nutzerprofil. 27.4 Ausblick. Literatur. 28 334 335 341 343 343 Modellierung der Nachfrageunsicherheit zur gezielten Steuerung auf Ziel-Servicelevel. 345 Matthias Ulrich und Robin Senge 28.1 Problemstellung. 28.2 Modellierung. 28.3 Technologie Stack. 28.4 Ergebnisse und Ausblick. Literatur. 348 349 352 353 354 |
| any_adam_object | 1 |
| any_adam_object_boolean | 1 |
| author2 | Gillhuber, Andreas 1969- Kauermann, Göran 1965- Hauner, Wolfgang |
| author2_role | edt edt edt |
| author2_variant | a g ag g k gk w h wh |
| author_GND | (DE-588)1300940247 (DE-588)172534119 (DE-588)1300939664 |
| author_facet | Gillhuber, Andreas 1969- Kauermann, Göran 1965- Hauner, Wolfgang |
| building | Verbundindex |
| bvnumber | BV049032264 |
| classification_rvk | ST 300 QP 345 |
| ctrlnum | (OCoLC)1344381702 (DE-599)DNB126777536X |
| dewey-full | 005.7 006.3 |
| dewey-hundreds | 000 - Computer science, information, general works |
| dewey-ones | 005 - Computer programming, programs, data, security 006 - Special computer methods |
| dewey-raw | 005.7 006.3 |
| dewey-search | 005.7 006.3 |
| dewey-sort | 15.7 |
| dewey-tens | 000 - Computer science, information, general works |
| 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>00000nam a22000008c 4500</leader><controlfield tag="001">BV049032264</controlfield><controlfield tag="003">DE-604</controlfield><controlfield tag="005">20240202</controlfield><controlfield tag="007">t|</controlfield><controlfield tag="008">230704s2023 gw a||| |||| 00||| ger d</controlfield><datafield tag="016" ind1="7" ind2=" "><subfield code="a">126777536X</subfield><subfield code="2">DE-101</subfield></datafield><datafield tag="020" ind1=" " ind2=" "><subfield code="a">9783662662779</subfield><subfield code="c">Broschur : EUR 49.99 (DE), EUR 51.39 (AT), circa CHF 55.50 (freier Preis)</subfield><subfield code="9">978-3-662-66277-9</subfield></datafield><datafield tag="020" ind1=" " ind2=" "><subfield code="a">3662662779</subfield><subfield code="9">3-662-66277-9</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(OCoLC)1344381702</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(DE-599)DNB126777536X</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-BE</subfield></datafield><datafield tag="049" ind1=" " ind2=" "><subfield code="a">DE-1028</subfield><subfield code="a">DE-355</subfield><subfield code="a">DE-860</subfield><subfield code="a">DE-523</subfield><subfield code="a">DE-739</subfield></datafield><datafield tag="082" ind1="0" ind2=" "><subfield code="a">005.7</subfield><subfield code="2">23/ger</subfield></datafield><datafield tag="082" ind1="0" ind2=" "><subfield code="a">006.3</subfield><subfield code="2">23/ger</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">ST 300</subfield><subfield code="0">(DE-625)143650:</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">510</subfield><subfield code="2">23sdnb</subfield></datafield><datafield tag="245" ind1="1" ind2="0"><subfield code="a">Künstliche Intelligenz und Data Science in Theorie und Praxis</subfield><subfield code="b">von Algorithmen und Methoden zur praktischen Umsetzung in Unternehmen</subfield></datafield><datafield tag="264" ind1=" " ind2="1"><subfield code="a">Berlin</subfield><subfield code="b">Springer Spektrum</subfield><subfield code="c">[2023]</subfield></datafield><datafield tag="300" ind1=" " ind2=" "><subfield code="a">XV, 354 Seiten</subfield><subfield code="b">Illustrationen, Diagramme</subfield><subfield code="c">23.5 cm x 15.5 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="650" ind1="0" ind2="7"><subfield code="a">Künstliche Intelligenz</subfield><subfield code="0">(DE-588)4033447-8</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">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">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">Maschinelles Lernen</subfield><subfield code="0">(DE-588)4193754-5</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Datenanalyse</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Angewandte Statistik</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Big Data</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Data Science</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">KI</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Künstliche Intelligence</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">AI</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Artificial Intelligence</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">ML</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Data Engineering</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Datenstrategie</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Data Governance</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Machine Learning</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Maschinelles Lernen</subfield></datafield><datafield tag="689" ind1="0" 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="0" ind2="1"><subfield code="a">Künstliche Intelligenz</subfield><subfield code="0">(DE-588)4033447-8</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="0" ind2="2"><subfield code="a">Maschinelles Lernen</subfield><subfield code="0">(DE-588)4193754-5</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="0" ind2="3"><subfield code="a">Künstliche Intelligenz</subfield><subfield code="0">(DE-588)4033447-8</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="0" ind2="4"><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="5"><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">Gillhuber, Andreas</subfield><subfield code="d">1969-</subfield><subfield code="0">(DE-588)1300940247</subfield><subfield code="4">edt</subfield></datafield><datafield tag="700" ind1="1" ind2=" "><subfield code="a">Kauermann, Göran</subfield><subfield code="d">1965-</subfield><subfield code="0">(DE-588)172534119</subfield><subfield code="4">edt</subfield></datafield><datafield tag="700" ind1="1" ind2=" "><subfield code="a">Hauner, Wolfgang</subfield><subfield code="0">(DE-588)1300939664</subfield><subfield code="4">edt</subfield></datafield><datafield tag="710" ind1="2" ind2=" "><subfield code="a">Springer-Verlag GmbH</subfield><subfield code="0">(DE-588)1065168780</subfield><subfield code="4">pbl</subfield></datafield><datafield tag="776" ind1="0" ind2="8"><subfield code="i">Erscheint auch als</subfield><subfield code="n">Online-Ausgabe</subfield><subfield code="z">978-3-662-66278-6</subfield></datafield><datafield tag="856" ind1="4" ind2="2"><subfield code="m">X:MVB</subfield><subfield code="q">text/html</subfield><subfield code="u">http://deposit.dnb.de/cgi-bin/dokserv?id=f757b10e1bcf4e7e87100f153d613547&prov=M&dok_var=1&dok_ext=htm</subfield><subfield code="3">Inhaltstext</subfield></datafield><datafield tag="856" ind1="4" ind2="2"><subfield code="m">X:MVB</subfield><subfield code="u">http://www.springer.com/</subfield></datafield><datafield tag="856" ind1="4" ind2="2"><subfield code="m">Digitalisierung UB Passau - ADAM Catalogue Enrichment</subfield><subfield code="q">application/pdf</subfield><subfield code="u">http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=034294940&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA</subfield><subfield code="3">Inhaltsverzeichnis</subfield></datafield><datafield tag="883" ind1="1" ind2=" "><subfield code="8">1\p</subfield><subfield code="a">vlb</subfield><subfield code="d">20220910</subfield><subfield code="q">DE-101</subfield><subfield code="u">https://d-nb.info/provenance/plan#vlb</subfield></datafield><datafield tag="943" ind1="1" ind2=" "><subfield code="a">oai:aleph.bib-bvb.de:BVB01-034294940</subfield></datafield></record></collection> |
| id | DE-604.BV049032264 |
| illustrated | Illustrated |
| index_date | 2024-07-03T22:16:59Z |
| indexdate | 2024-12-09T13:07:55Z |
| institution | BVB |
| institution_GND | (DE-588)1065168780 |
| isbn | 9783662662779 3662662779 |
| language | German |
| oai_aleph_id | oai:aleph.bib-bvb.de:BVB01-034294940 |
| oclc_num | 1344381702 |
| open_access_boolean | |
| owner | DE-1028 DE-355 DE-BY-UBR DE-860 DE-523 DE-739 |
| owner_facet | DE-1028 DE-355 DE-BY-UBR DE-860 DE-523 DE-739 |
| physical | XV, 354 Seiten Illustrationen, Diagramme 23.5 cm x 15.5 cm |
| publishDate | 2023 |
| publishDateSearch | 2023 |
| publishDateSort | 2023 |
| publisher | Springer Spektrum |
| record_format | marc |
| spelling | Künstliche Intelligenz und Data Science in Theorie und Praxis von Algorithmen und Methoden zur praktischen Umsetzung in Unternehmen Berlin Springer Spektrum [2023] XV, 354 Seiten Illustrationen, Diagramme 23.5 cm x 15.5 cm txt rdacontent n rdamedia nc rdacarrier Künstliche Intelligenz (DE-588)4033447-8 gnd rswk-swf Datenanalyse (DE-588)4123037-1 gnd rswk-swf Data Science (DE-588)1140936166 gnd rswk-swf Maschinelles Lernen (DE-588)4193754-5 gnd rswk-swf Datenanalyse Angewandte Statistik Big Data Data Science KI Künstliche Intelligence AI Artificial Intelligence ML Data Engineering Datenstrategie Data Governance Machine Learning Maschinelles Lernen Data Science (DE-588)1140936166 s Künstliche Intelligenz (DE-588)4033447-8 s Maschinelles Lernen (DE-588)4193754-5 s Datenanalyse (DE-588)4123037-1 s DE-604 Gillhuber, Andreas 1969- (DE-588)1300940247 edt Kauermann, Göran 1965- (DE-588)172534119 edt Hauner, Wolfgang (DE-588)1300939664 edt Springer-Verlag GmbH (DE-588)1065168780 pbl Erscheint auch als Online-Ausgabe 978-3-662-66278-6 X:MVB text/html http://deposit.dnb.de/cgi-bin/dokserv?id=f757b10e1bcf4e7e87100f153d613547&prov=M&dok_var=1&dok_ext=htm Inhaltstext X:MVB http://www.springer.com/ Digitalisierung UB Passau - ADAM Catalogue Enrichment application/pdf http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=034294940&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA Inhaltsverzeichnis 1\p vlb 20220910 DE-101 https://d-nb.info/provenance/plan#vlb |
| spellingShingle | Künstliche Intelligenz und Data Science in Theorie und Praxis von Algorithmen und Methoden zur praktischen Umsetzung in Unternehmen Künstliche Intelligenz (DE-588)4033447-8 gnd Datenanalyse (DE-588)4123037-1 gnd Data Science (DE-588)1140936166 gnd Maschinelles Lernen (DE-588)4193754-5 gnd |
| subject_GND | (DE-588)4033447-8 (DE-588)4123037-1 (DE-588)1140936166 (DE-588)4193754-5 |
| title | Künstliche Intelligenz und Data Science in Theorie und Praxis von Algorithmen und Methoden zur praktischen Umsetzung in Unternehmen |
| title_auth | Künstliche Intelligenz und Data Science in Theorie und Praxis von Algorithmen und Methoden zur praktischen Umsetzung in Unternehmen |
| title_exact_search | Künstliche Intelligenz und Data Science in Theorie und Praxis von Algorithmen und Methoden zur praktischen Umsetzung in Unternehmen |
| title_exact_search_txtP | Künstliche Intelligenz und Data Science in Theorie und Praxis von Algorithmen und Methoden zur praktischen Umsetzung in Unternehmen |
| title_full | Künstliche Intelligenz und Data Science in Theorie und Praxis von Algorithmen und Methoden zur praktischen Umsetzung in Unternehmen |
| title_fullStr | Künstliche Intelligenz und Data Science in Theorie und Praxis von Algorithmen und Methoden zur praktischen Umsetzung in Unternehmen |
| title_full_unstemmed | Künstliche Intelligenz und Data Science in Theorie und Praxis von Algorithmen und Methoden zur praktischen Umsetzung in Unternehmen |
| title_short | Künstliche Intelligenz und Data Science in Theorie und Praxis |
| title_sort | kunstliche intelligenz und data science in theorie und praxis von algorithmen und methoden zur praktischen umsetzung in unternehmen |
| title_sub | von Algorithmen und Methoden zur praktischen Umsetzung in Unternehmen |
| topic | Künstliche Intelligenz (DE-588)4033447-8 gnd Datenanalyse (DE-588)4123037-1 gnd Data Science (DE-588)1140936166 gnd Maschinelles Lernen (DE-588)4193754-5 gnd |
| topic_facet | Künstliche Intelligenz Datenanalyse Data Science Maschinelles Lernen |
| url | http://deposit.dnb.de/cgi-bin/dokserv?id=f757b10e1bcf4e7e87100f153d613547&prov=M&dok_var=1&dok_ext=htm http://www.springer.com/ http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=034294940&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA |
| work_keys_str_mv | AT gillhuberandreas kunstlicheintelligenzunddatascienceintheorieundpraxisvonalgorithmenundmethodenzurpraktischenumsetzunginunternehmen AT kauermanngoran kunstlicheintelligenzunddatascienceintheorieundpraxisvonalgorithmenundmethodenzurpraktischenumsetzunginunternehmen AT haunerwolfgang kunstlicheintelligenzunddatascienceintheorieundpraxisvonalgorithmenundmethodenzurpraktischenumsetzunginunternehmen AT springerverlaggmbh kunstlicheintelligenzunddatascienceintheorieundpraxisvonalgorithmenundmethodenzurpraktischenumsetzunginunternehmen |