Der ideale Einstieg in Data Science für Praktiker! Ob mit oder ohne Mathematikkenntnisse - Sie bekommen hier den Rundumblick, den Sie für Ihre Projekte brauchen. So heben Sie den Schatz, den Daten darstellen können, wenn man sie richtig befragt. Sie lernen die einschlägigen Analysemethoden kennen, bekommen eine Einführung in die Programmiersprache R und erfahren, wie Sie maschinelles Lernen einsetzen. Und zwar inklusive dazugehöriger Werkzeuge wie Notebooks, die die Data-Science-Programmierung heutzutage so zugänglich machen.Und weil es mit der Technik allein nicht getan ist, geht das Buch auch auf Probleme der Projektdurchführung ein, beleuchtet verschiedene Anwendungsfelder und vergisst auch nicht, ethische Aspekte anzusprechen.Mit vielen Beispielen, Hinweisen für den Fehlerfall, Entscheidungshilfen und weiteren Praxistipps.

Von der Anforderungsanalyse über die Datenakquise bis zur Visualisierung

Materialien zum Buch ... 131. Einleitung ... 151.1 ... Warum dieses Buch? ... 151.2 ... Das Zeitalter der Daten -- alles nur ein Hype? ... 161.3 ... Warum nun Data Science? ... 171.4 ... Warum Data Science mit R? ... 191.5 ... Für wen ist dieses Buch? ... 201.6 ... Kann man Data Science ohne Mathe lernen? ... 201.7 ... Wie Sie dieses Buch verwenden können ... 221.8 ... Materialien und Kontakt ... 221.9 ... Danksagungen ... 222. Machine Learning, Data Science und künstliche Intelligenz ... 252.1 ... Aus der Geschichte lernen -- alles nur ein Hype? ... 252.2 ... Begriffsdefinitionen ... 343. Ablauf eines Data-Science-Projekts ... 393.1 ... Der allgemeine Ablauf eines Data-Science-Projekts ... 393.2 ... Business Understanding: Welches Problem soll gelöst werden? ... 433.3 ... Grundsätzliche Ansätze im Machine Learning ... 473.4 ... Performancemessung ... 493.5 ... Kommunikation mit Stakeholdern ... 573.6 ... Aus dem Labor in die Welt: Data-Science-Applikationen in Produktion ... 583.7 ... Die verschiedenen Rollen in einem Data-Science-Projekt ... 594. Einführung in R ... 674.1 ... R: kostenlos, portierbar und interaktiv ... 674.2 ... Installation und Konfiguration von R und RStudio ... 744.3 ... Erste Schritte mit R ... 895. Explorative Datenanalyse ... 1115.1 ... Daten: Sammlung, Reinigung und Transformation ... 1125.2 ... Notebooks ... 1175.3 ... Das Tidyverse ... 1235.4 ... Datenvisualisierung ... 1375.5 ... Datenanalyse ... 1486. Anwendungsfall Prognosen ... 1596.1 ... Lineare Regression ... 1596.2 ... Anomalie-Erkennung ... 1767. Clustering ... 1857.1 ... Hierarchisches Clustering ... 1857.2 ... k-Means ... 1978. Klassifikation ... 2078.1 ... Anwendungsfälle für eine Klassifikation ... 2078.2 ... Trainings- und Testdaten erstellen ... 2098.3 ... Decision Trees ... 2178.4 ... Support Vector Machines ... 2218.5 ... Naive Bayes ... 2268.6 ... XG Boost: Der Newcomer ... 2328.7 ... Klassifikation von Text ... 2389. Weitere Anwendungsfälle ... 2459.1 ... Warenkorbanalyse -- Association Rules ... 2459.2 ... k-nearest Neighbours ... 25410. Workflows und Werkzeuge ... 26710.1 ... Versionierung mit Git ... 26710.2 ... Mit großen Datenmengen umgehen ... 27710.3 ... Applikationen via API bereitstellen ... 28710.4 ... Applikationen erstellen mit Shiny ... 29211. Ethischer Umgang mit Daten und Algorithmen ... 30711.1 ... Datenschutz ... 30711.2 ... Ethik: Gegen Profiling und Diskriminierung ... 31712. Was kommt nach diesem Buch? ... 32512.1 ... Projekte, Projekte, Projekte ... 32512.2 ... Wer hilft Ihnen jetzt weiter? ... 32912.3 ... RSeek ... 335Anhang ... 337A ... Typische Fehlermeldungen und geeignete Lösungen ... 339B ... Glossar ... 343C ... Literatur ... 347Index ... 353