Die grundlegenden Konzepte der Data Science verstehen, Wissen aus Daten ziehen und für Vorhersagen und Entscheidungen nutzen

Die wichtigsten Data-Mining-Verfahren gezielt und gewinnbringend einsetzen

Zahlreiche Praxisbeispiele zur Veranschaulichung

Die anerkannten Data-Science-Experten Foster Provost und Tom Fawcett stellen in diesem Buch die grundlegenden Konzepte der Data Science vor, die für den effektiven Einsatz im Unternehmen von Bedeutung sind.

Sie erläutern das datenanalytische Denken, das erforderlich ist, damit Sie aus Ihren gesammelten Daten nützliches Wissen und geschäftlichen Nutzen ziehen können. Sie erfahren detailliert, welche Methoden der Data Science zu hilfreichen Erkenntnissen führen, so dass auf dieser Grundlage wichtige Entscheidungsfindungen unterstützt werden können.

Dieser Leitfaden hilft Ihnen dabei, die vielen zurzeit gebräuchlichen Data-Mining-Verfahren zu verstehen und gezielt und gewinnbringend anzuwenden. Sie lernen u.a., wie Sie:

Data Science in Ihrem Unternehmen nutzen und damit Wettbewerbsvorteile erzielen

Daten als ein strategisches Gut behandeln, in das investiert werden muss, um echten Nutzen daraus zu ziehen

Geschäftliche Aufgaben datenanalytisch angehen und den Data-Mining-Prozess nutzen, um auf effiziente Weise sinnvolle Daten zu sammeln

Das Buch beruht auf einem Kurs für Betriebswirtschaftler, den Provost seit rund zehn Jahren an der New York University unterrichtet, und nutzt viele Beispiele aus der Praxis, um die Konzepte zu veranschaulichen.

Das Buch richtet sich an Führungskräfte und Projektmanager, die Data-Science-orientierte Projekte managen, an Entwickler, die Data-Science-Lösungen implementieren sowie an alle angehenden Data Scientists und Studenten.

Aus dem Inhalt:

Datenanalytisches Denken lernen

Der Data-Mining-Prozess

Überwachtes und unüberwachtes Data Mining

Einführung in die Vorhersagemodellbildung: von der Korrelation zur überwachten Segmentierung

Anhand der Daten optimale Modellparameter finden mit Verfahren wie lineare und logistische Regression sowie Support Vector Machines

Prinzip und Berechnung der Ähnlichkeit

Nächste-Nachbarn-Methoden und Clustering

Entscheidungsanalyse I: Was ist ein gutes Modell

Visualisierung der Leistung von Modellen

Evidenz und Wahrscheinlichkeiten

Texte repräsentieren und auswerten

Entscheidungsanalyse II: Analytisches Engineering

Data Science und Geschäftsstrategie