- Table View
- List View
Data Science: Best Practices mit Python
by Benjamin M. Abdel-KarimDieses Buch entstand aus der Motivation heraus, eines der ersten deutschsprachigen Nachschlagewerke zu entwickeln, in welchem relativ simple Quellcode-Beispiele enthalten sind, um so Lösungsansätze für die (wiederkehrenden) Programmierprobleme in der Datenanalyse weiterzugeben. Dabei ist dieses Werk nicht uneigennützig verfasst worden. Es enthält Lösungswege für immer wiederkehrende Problemstellungen die ich über meinen täglichen Umgang entwickelt habe Zweifellos gehört das Nachschlagen von Lösungsansätzen in Büchern oder im Internet zur normalen Arbeit eines Programmierers. Allerdings ist diese Suche in der Regel ein unstrukturierter und damit, zumindest teilweise, ein zeitaufwendiger Prozess.Unabhängig davon, ob Sie das Buch als Student, Mitarbeiter oder Gründer lesen, hoffe ich, dass Ihnen dieses Nachschlagewerk ein wertvoller Helfer für die ersten Anfänge sein wird. Ich gehe davon aus, dass jede Person die Grundlagen der Datenanalyse mit Hilfe moderner Programmiersprachen erlernen kann.
Data Science: Konzepte, Erfahrungen, Fallstudien und Praxis
by Detlev Frick Andreas Gadatsch Jens Kaufmann Birgit Lankes Christoph Quix Andreas Schmidt Uwe SchmitzData Science ist in vielen Organisationen angekommen und oft alltägliche Praxis. Dennoch stehen viele Verantwortliche vor der Herausforderung, sich erstmalig mit konkreten Fragestellungen zu beschäftigen oder laufende Projekte weiterzuentwickeln. Die Spannbreite der Methoden, Werkzeuge und Anwendungsmöglichkeiten ist sehr groß und entwickelt sich kontinuierlich weiter. Die Vielzahl an Publikationen zu Data Science ist spezialisiert und behandelt fokussiert Einzelaspekte. Das vorliegende Werk gibt den Leserinnen und Lesern eine umfassende Orientierung zum Status Quo aus der wissenschaftlichen Perspektive und zahlreiche vertiefende Darstellungen praxisrelevanter Aspekte. Die Inhalte bauen auf den wissenschaftlichen CAS-Zertifikatskursen zu Big Data und Data Science der Hochschule Niederrhein in Kooperation mit der Hochschule Bonn-Rhein-Sieg und der FH Dortmund auf. Sie berücksichtigen wissenschaftliche Grundlagen und Vertiefungen, aber auch konkrete Erfahrungen aus Data Science Projekten. Das Buch greift praxisrelevante Fragen auf wissenschaftlichem Niveau aus Sicht der Rollen eines „Data Strategist“, „Data Architect“ und „Data Analyst“ auf und bindet erprobte Praxiserfahrungen u. a. von Seminarteilnehmern mit ein. Das Buch gibt für Interessierte einen Einblick in die aktuell relevante Vielfalt der Aspekte zu Data Science bzw. Big Data und liefert Hinweise für die praxisnahe Umsetzung.
Data Science – was ist das eigentlich?!: Algorithmen des maschinellen Lernens verständlich erklärt
by Annalyn Ng Kenneth SooSie möchten endlich wissen, was sich hinter Schlagworten wie „Data Science“ und „Machine Learning“ eigentlich verbirgt – und was man alles damit anstellen kann? Auf allzu viel Mathematik würden Sie dabei aber gern verzichten? Dann sind Sie hier genau richtig: Dieses Buch bietet einen kompakten Einblick in die wichtigsten Schlüsselkonzepte der Datenwissenschaft und ihrer Algorithmen – und zwar ohne Sie mit mathematischen Formeln und Details zu belasten! Der Fokus liegt – nach einer übergeordneten Einführung – auf Anwendungen des maschinellen Lernens zur Mustererkennung und Vorhersage von Ergebnissen: In jedem Kapitel wird ein Algorithmus erläutert und mit einem leicht verständlichen, realen Anwendungsbeispiel verknüpft. Die Kombination aus intuitiven Erklärungen und zahlreichen Abbildungen ermöglicht dabei ein grundlegendes Verständnis, das ohne mathematische Formelsprache auskommt. Abschließend werden auch die Grenzen und Nachteile der betrachteten Algorithmen explizit aufgezeigt.
Data Science anwenden: Einführung, Anwendungen und Projekte (Angewandte Wirtschaftsinformatik)
by Thomas Barton Christian MüllerDieses Buch bietet einen Einstieg in das Thema Data Science auf Basis der visuellen Aufbereitung von Daten. Es hat ethische Betrachtungen in der digitalen Transformation zum Gegenstand und stellt ein Prozessrahmenwerk für die Bewertung von Technologien vor. Außerdem erläutert es Besonderheiten und Erkenntnisse zum Scheitern von Data-Science-Projekten und stellt Empfehlungssysteme unter Berücksichtigung aktueller Entwicklungen vor. Funktionalität zu Machine Learning in Werkzeugen zu Business Analytics wird verglichen und der Einsatz eines Vorgehensmodells für Data Science aufgezeigt.Die Integration erneuerbarer Energien am Beispiel von Photovoltaikanlagen, ein effizienterer Umgang mit Wärmeenergie, wissenschaftliche Literaturauswertung, Kundenzufriedenheit in der Automobilindustrie und ein Framework für die Analyse von Fahrzeugdaten dienen als Anwendungsbeispiele für den konkreten Einsatz von Data Science. Das Buch bietet wichtige Informationen, die für Praktiker ebenso relevant sind wie für Studierende und Lehrende.
Data Science für Dummies (Für Dummies)
by Lillian PiersonDaten, Daten, Daten? Sie haben schon Kenntnisse in Excel und Statistik, wissen aber noch nicht, wie all die Datensätze helfen sollen, bessere Entscheidungen zu treffen? Von Lillian Pierson bekommen Sie das dafür notwendige Handwerkszeug: Bauen Sie Ihre Kenntnisse in Statistik, Programmierung und Visualisierung aus. Nutzen Sie Python, R, SQL, Excel und KNIME. Zahlreiche Beispiele veranschaulichen die vorgestellten Methoden und Techniken. So können Sie die Erkenntnisse dieses Buches auf Ihre Daten übertragen und aus deren Analyse unmittelbare Schlüsse und Konsequenzen ziehen.
Data Science mit Python für Dummies (Für Dummies)
by John Paul Mueller Luca MassaronSie wollen sich ernsthaft mit wissenschaftlicher Datenanalyse beschäftigen und wissen, dass Sie da an Python nur schwer vorbeikommen? Dann ist dieses das richtige Buch für Sie. John Paul Mueller erklärt Ihnen, was Sie in Python beherrschen müssen, um sich der Datenanalyse zu widmen inklusive Objekten, Funktionen, Modulen und Bibliotheken. Außerdem erläutert er die wichtigsten Bibliotheken für die Datenanalyse wie NumPy, SciPy, BeautifulSoup, Pandas, und MatPlobLib. So lernen Sie Python für die Datenanalyse richtig einsetzen.
Data Science Training - Supervised Learning: Ein praktischer Einstieg ins überwachte maschinelle Lernen
by Stefan SelleDieses Lehrbuch erklärt auf narrative und direkte Weise die wichtigen Zusammenhänge zwischen Data Science, Künstlicher Intelligenz und anderen Disziplinen und Domänen wie Datenschutz und Ethik, mit Fokus auf überwachtes Lernen (Supervised Learning).Wir begleiten Anna und Karl während ihrer Traineephase in einer internationalen Versicherung. Schritt für Schritt reifen sie zu Data Scientists, indem sie sich intensiv mit der Titanic-Katastrophe auseinandersetzen. Anna kann Python programmieren, während Karl ein grafisches Werkzeug (KNIME Analytics Platform) benutzt. Bei ihren Untersuchungen stoßen sie auf interessante Fakten und Mythen. Mit Unterstützung von Max und Sophia verarbeiten sie historische Daten, um Vorhersagen zu erstellen (Predictive Analytics). Dabei benutzen sie Methoden und Algorithmen des maschinellen Lernens.Begleitende Zusatzmaterialien (KNIME Workflows, Jupyter Notebooks, Erklärvideos) stehen den Lernenden online zur Verfügung. Und wenn in diesemBuch Anna und Karl sich auf Themen des überwachten Lernens konzentrieren, werden wir künftig mit ihnen noch weitere Gebiete der Data Science entdecken.
Data Science und Statistik mit R: Anwendungslösungen für die Praxis
by Bernd HeesenData Science trägt wesentlich zu einer schnelleren Nutzbarmachung von Markt-, Kunden- und Nutzerdaten bei, inklusive der Analyse von Daten aus Sozialen Netzwerken. Wo früher klassische Statistik für Berechnungen und Vorhersagen herangezogen wurde, da erlauben heute Open-Source-Werkzeuge wie R Daten in unterschiedlichsten Formaten und aus beliebig vielen Quellen für die Analyse einzulesen, aufzubereiten und mit Hilfe von Methoden der Künstlichen Intelligenz und des Machine Learning zu analysieren. Die Ergebnisse können dann anschließend perfekt visuell dargestellt werden, so dass die Entscheider schnell und effektiv davon profitieren können. Daraus lässt sich ableiten, welche Maßnahmen mit einer vorhersagbaren Wahrscheinlichkeit zur Erreichung der eigenen Ziele geeignet sind, z.B. welcher Preis für ein Angebot die gewünschte Nachfrage erzeugt oder welche Marketingmaßnahme eine gewünschte Zielgruppe erreicht.Dieses Buch vermittelt auf Basis von R, wie Sie Statistik, Data Science, Künstliche Intelligenz und Machine Learning in der Industrie 4.0 nutzen können. Die Anwendungsbeispiele können von Lesern selbst durchgeführt werden, da das Buch die R-Anweisungen beinhaltet. Damit ist das Buch ideal für Studierende und andere Interessierte, die sich Kenntnisse in der Statistiklösung R aneignen wollen.
Data-Warehouse-Systeme für Dummies (Für Dummies)
by Wolfgang GerkenJede Business-Intelligence-Anwendung beruht letzten Endes auf einem Data Warehouse. Data Warehousing ist deshalb ein sehr wichtiges Gebiet der Angewandten Informatik, insbesondere im Zeitalter von Big Data. Das vorliegende Buch beleuchtet das Data Warehouse aus zwei Perspektiven: der des Entwicklers und der des Anwenders. Der zukünftige Entwickler lernt, ein Data Warehouse mit geeigneten Methoden selbst zu entwickeln. Für den zukünftigen Anwender geht der Autor auf die Themen Reporting, Online Analytical Processing und Data Mining ein. Das Lehrbuch ist auch zum Selbststudium geeignet. Kenntnisse über Datenbanksysteme sollten allerdings vorhanden sein.
Data-Warehouse-Systeme kompakt: Aufbau, Architektur, Grundfunktionen (Xpert.press)
by Kiumars FarkischIn dem Buch werden Data-Warehouse-Systeme als einheitliche, zentrale, vollständige, historisierte und analytische IT-Plattform untersucht und ihre Rolle für die Datenanalyse und für Entscheidungsfindungsprozesse dargestellt. Dabei behandelt der Autor die einzelnen Komponenten, die für den Aufbau, die Architektur und den Betrieb eines Data-Warehouse-Systems von Bedeutung sind. Die multidimensionale Datenmodellierung, der ETL-Prozess und Analysemethoden werden erörtert und Maßnahmen zur Performancesteigerung von Data-Warehouse-Systemen diskutiert.
Datafizierung und Big Data: Ethische, anthropologische und wissenschaftstheoretische Perspektiven (Anthropologie – Technikphilosophie – Gesellschaft)
by Klaus Wiegerling Michael Nerurkar Christian WadephulDer Band versammelt Beiträge, die sich mit ethischen, anthropologischen und wissenschaftstheoretischen Aspekten informationstechnologischer Anwendungen, insbesondere Big Data, befassen. In unterschiedlichen disziplinären Perspektiven werden die Auswirkungen dieser Technologien auf Individuum, Gesellschaft und Wissenschaft in den Blick genommen.
Daten in der wirtschaftswissenschaftlichen Forschung: Festschrift zum 65. Geburtstag von Prof. Dr. Joachim Merz
by Dierk Hirschel Peter Paic Markus ZwickDaten sind in der wirtschaftswissenschaftliche Forschung von hoher Bedeutung. Mit der drastischen Steigerung der Leistungsfähigkeit der Informationstechnik ist es heute möglich, riesige Datenmengen und insbesondere Mikrodaten zu speichern und zu analysieren. Mit dem Sonderforschungsbereich 3 der Deutschen Forschungsgemeinschaft ,Mikroanalytische Grundlagen der Gesellschaftspolitik' begann in den achtziger Jahren des letzten Jahrhunderts das Mikrodatenzeitalter in Deutschland. Seitdem ist die Entwicklung der mikrodatenbasierten Forschung und Politikberatung rasant fortgeschritten. Hierbei hatte und hat der mit diesem Buch geehrte Joachim Merz einen erheblichen Anteil. Der vorliegende Band zeigt einen Ausschnitt des Erfolges dieser wissenschaftlichen Arbeiten. Wegbegleiter wie der eigene wissenschaftliche Nachwuchs geben in insgesamt 12 Beiträgen einen vertiefenden Einblick in den Stand der empirischen wirtschaftswissenschaftlichen Forschung und zeigen mögliche weitere Entwicklungstendenzen auf.
Daten-Teams: Ein einheitliches Managementmodell für erfolgreiche, datenorientierte Teams
by Jesse AndersonErfahren Sie, wie Sie erfolgreiche Big-Data-Projekte durchführen, wie Sie Ihre Teams mit Ressourcen ausstatten und wie die Teams miteinander arbeiten sollten, um kosteneffizient zu sein. In diesem Buch werden die drei Teams vorgestellt, die für erfolgreiche Projekte erforderlich sind, und es wird erläutert, welche Aufgaben die einzelnen Teams haben.Die meisten Unternehmen scheitern mit Big-Data-Projekten, und der Misserfolg wird fast immer auf die verwendeten Technologien geschoben. Um erfolgreich zu sein, müssen sich Unternehmen sowohl auf die Technologie als auch auf das Management konzentrieren.Die Nutzung von Daten ist ein Teamsport. Es bedarf verschiedener Menschen mit unterschiedlichen Fähigkeiten, die alle zusammenarbeiten müssen, um etwas zu erreichen. Bei allen Projekten, mit Ausnahme der kleinsten, sollten die Mitarbeiter in mehreren Teams organisiert werden, um das Scheitern von Projekten und unzureichende Leistungen zu vermeiden.Dieses Buch konzentriert sich auf das Management. Vor einigen Jahren wurde wenig bis gar nicht über das Management von Big-Data-Projekten oder -Teams geschrieben oder gesprochen. Data Teams zeigt, warum Managementfehler die Ursache für so viele Projektmisserfolge sind und wie Sie solche Misserfolge in Ihrem Projekt proaktiv verhindern können.Was Sie lernen werdenEntdecken Sie die drei Teams, die Sie benötigen, um mit Big Data erfolgreich zu seinVerstehen, was ein Datenwissenschaftler ist und was ein Datenwissenschaftsteam tutVerstehen, was ein Data Engineer ist und was ein Data Engineering Team machtVerstehen, was ein Betriebsingenieur ist und was ein Betriebsteam tutWissen, wie sich die Teams und Titel unterscheiden und warum Sie alle drei Teams brauchenErkennen, welche Rolle das Unternehmen bei der Zusammenarbeit mit Datenteams spielt und wie der Rest der Organisation zu erfolgreichen Datenprojekten beiträgtFür wen dieses Buch gedacht istFührungskräfte aller Ebenen, einschließlich derjenigen, die über einige technische Fähigkeiten verfügen und ein Big-Data-Projekt in Angriff nehmen wollen oder bereits ein Big-Data-Projekt begonnen haben. Es ist besonders hilfreich für diejenigen, die Projekte haben, die nicht vorankommen und nicht wissen, warum, oder die an einer Konferenz teilgenommen oder über Big Data gelesen haben und nun damit beginnen, zu prüfen, was nötig ist, um ein Projekt zu realisieren.Dieses Buch ist auch für leitende Mitarbeiter oder technische Architekten relevant, die in einem Team arbeiten, das vom Unternehmen beauftragt wurde, herauszufinden, was nötig ist, um ein Projekt zu starten, in einem Projekt, das nicht vorankommt, oder die feststellen müssen, ob es nichttechnische Probleme gibt, die ihr Projekt beeinträchtigen.
Daten- und Identitätsschutz in Cloud Computing, E-Government und E-Commerce
by Jörg Schwenk Georg BorgesFür neue und künftige Geschäftsfelder von E-Commerce und E-Government stellen der Datenschutz und der Identitätsschutz wichtige Herausforderungen dar. Renommierte Autoren aus Wissenschaft und Praxis widmen sich in dem Band aktuellen Problemen des Daten- und Identitätsschutzes aus rechtlicher und technischer Perspektive. Sie analysieren aktuelle Problemfälle aus der Praxis und bieten Handlungsempfehlungen an. Das Werk richtet sich an Juristen und technisch Verantwortliche in Behörden und Unternehmen sowie an Rechtsanwälte und Wissenschaftler.
Daten- und Informationsqualität: Auf dem Weg zur Information Excellence
by Knut Hildebrand Marcus Gebauer Holger Hinrichs Michael MielkeDas erste deutsche Buch zum Thema Daten- und Informationsqualität in der dritten, erweiterten Auflage. Wissenschaftlich fundiert und von Praktikern geschrieben, wird der aktuelle Stand aus Forschung und praktischer Anwendung präsentiert, in den wichtigen Facetten dieses wichtigen Themas. Ein Muss für alle IT-Profis.
Daten- und Informationsqualität: Auf dem Weg zur Information Excellence
by Knut Hildebrand Marcus Gebauer Holger Hinrichs Michael MielkeDie Verbesserung und Sicherung der Informationsqualität (IQ) wird in immer mehr Unternehmen als eigenständige und wichtige Managementaufgabe begriffen. IQ-Management ist mittlerweile ein elementarer Baustein in Systemintegrationsprojekten. Aber auch für laufende Prozesse mit heterogenen Daten und Nutzern ist eine hohe Informationsqualität die Grundvoraussetzung für funktionierende betriebliche Abläufe. Das erste deutschsprachige Buch zum Thema behandelt Daten- und Informationsqualität umfassend: von Definitionen zur Datenqualität über Methoden und Regelwerke für ihr Management bis hin zur Verankerung in der Organisation – mit Fallbeispielen aus zahlreichen Unternehmen. Im einführenden Kapitel erläutern die Autoren zunächst die Grundlagen. Sie stellen wissenschaftliche Modelle der Informationstheorie vor und erläutern die Rolle von Daten im Wissens- und Informationsmanagement und als Produktionsfaktor. Ein weiteres grundlegendes Kapitel widmet sich den verschiedenen Dimensionen der Informationsqualität. Anhand von 15 Begriffen und erläuternden Beispielen werden die IQ-Dimensionen wie beispielsweise Zugänglichkeit (accessibility), Umfang (appropriate amount of data) oder Glaubwürdigkeit (believability) präzise beschrieben. Dieses Kapitel ist zugleich Ergebnis der Arbeit einer Projektgruppe in der DGIQ (Deutsche Gesellschaft für Informations- und Datenqualität). Im zweiten Teil des Buchs werden die Methoden, Tools und Techniken für das Management der Datenqualität erläutert. Dazu zählen unter anderem Datenqualitätsmetriken, Methoden wie Total Data Quality Management, die strukturierte Datenanalyse oder Maßnahmen wie Datenbereinigung. Der Band wurde für die vierte Auflage erweitert und an zahlreichen Stellen überarbeitet. Wissenschaftlich fundiert und von Praktikern geschrieben, präsentiert es den aktuellen Stand aus Forschung und Anwendung. Das Buch richtet sich an Unternehmensführungen, IT-Manager, beispielsweise in Banken und Versicherungen, und an alle Datenspezialisten. Ein Muss für alle IT-Profis.
Daten- und Informationsqualität: Die Grundlage der Digitalisierung
by Knut Hildebrand Marcus Gebauer Michael MielkeDieses Buch war das erste deutsche Buch zum Thema Daten- und Informationsqualität und ist mittlerweile ein Klassiker. Es wurde für die fünfte Auflage um neue Inhalte erweitert, aktualisiert und an zahlreichen Stellen überarbeitet. Von Wissenschaftlern und Praktikern geschrieben, präsentiert es den aktuellen Stand aus Forschung und Anwendung und ist somit ein Muss für alle IT-Profis.
Daten- und Prozessmodellierung für Versicherer: Konzepte für moderne IT in Bestandsführung und Schadenmanagement
by Frank UrlaßMit diesem Buch unterstützt Frank Urlaß Versicherungsunternehmen bei der Entwicklung von effizienten, marktgerechten und aufsichtskonformen IT-Landschaften. Mit den vorgestellten Konzepten können sowohl veraltete Hostsysteme modernisiert als auch durch Zukäufe und Fusionen unübersichtlich gewordene Systeme entschlackt werden. Dazu werden in den ersten drei Kapiteln des Buches zunächst ausführlich die theoretischen Grundlagen für die Komplexe Daten- und Prozessmodellierung entwickelt. Jeweils anschließend folgt die Beschreibung der praktischen Ausgestaltungen der Daten- und der Prozessmodelle. Diese Teile werden im nächsten Kapitel durch eine Beschreibung abgeschlossen, in der gezeigt wird, wie das Daten- und das Prozessmodell zusammenwirken und sich wechselseitig bedingen und ergänzen. Nach der Beschreibung eines Vorgehensmodells für einen potenziellen Anwender, der die vorgestellten Konzepte als Vorlage für seine eigene Entwicklung verwenden möchte, folgen in zwei weiteren Kapiteln ein Modell zur fachlichen und technischen Weiterentwicklung der neuen IT sowie die Beschreibung des Preismodells. In zwei Anhängen werden abschließend zunächst eine Liste der Plausibilitäten für die meisten der eingabefähigen Attribute im Datenmodell und danach eine Beschreibung ausgewählter Geschäftsregeln für das Prozessmodell angefügt.
Datenanalyse, Abstimmung und Entwicklung (Handbuch Rennwagentechnik)
by Michael Trzesniowski Philipp EderEinmal Renningenieur zu sein, davon tr#65533;umen viele Motorsportfans und -Ingenieure. Dieses Buch gibt einen Einblick in den Arbeitsalltag eines Renningenieurs. Es werden die verschiedenen Darstellungsformen von Daten und deren Interpretation beschrieben. Dieses Wissen unterst#65533;tzt die Renningenieure, #65533;nderungen an den Einstellungen des Fahrzeugs durchzuf#65533;hren aber auch Fehlerquellen zu lokalisieren. Die gewonnenen Erkenntnisse sind aber nicht nur f#65533;r das momentane Rennen wichtig, auch Potentiale f#65533;r eine Neuentwicklung werden daraus abgeleitet. Zus#65533;tzlich wird neben der Datenauswertung auch der gesamte Prozess vom Datensammeln bis hin zur Komponentenauswahl beschrieben.
Datenanalyse, Abstimmung und Entwicklung (Handbuch Rennwagentechnik #5)
by Michael Trzesniowski Philipp EderEinmal Renningenieur zu sein, davon träumen viele Motorsportfans und -Ingenieure. Dieses Buch gibt einen Einblick in den Arbeitsalltag eines Renningenieurs. Es werden die verschiedenen Darstellungsformen von Daten und deren Interpretation beschrieben. Dieses Wissen unterstützt die Renningenieure, Änderungen an den Einstellungen des Fahrzeugs durchzuführen aber auch Fehlerquellen zu lokalisieren. Die gewonnenen Erkenntnisse sind aber nicht nur für das momentane Rennen wichtig, auch Potentiale für eine Neuentwicklung werden daraus abgeleitet. Zusätzlich wird neben der Datenauswertung auch der gesamte Prozess vom Daten Sammeln bis hin zur Komponentenauswahl beschrieben. Fahrdynamische Betrachtungen helfen dem Renningenieur die gewinnbringende Abstimmung für einen Wagen zu finden. Die Fahrer werden bei der Suche nach Entwicklungswerkzeugen und -methoden fündig, um ihr Fahrzeug gezielt zu verbessern. Das Formelmaterial ist so aufbereitet, dass das Buch auch als Nachschlagwerk eingesetzt werden kann.
Datenanalyse für Naturwissenschaftler, Mediziner und Ingenieure
by Mario SchneiderDieses Buch bietet Ihnen eine verständlich vermittelte Ausgangsbasis für die praktische Anwendung datenanalytischer Methoden, die sinnvolle Interpretation von Daten und die Ableitung von Informationen. Dabei setzt dieses Buch anstelle langer mathematischer Herleitungen und Beweise auf konkrete Beispiele, die jeweils Schritt für Schritt nachvollzogen werden. Die ausgewählten Beispieldaten werden mit Hilfe von Excel analysiert und das Erlernte kann anhand von Übungsaufgaben überprüft werden. Zusätzlich können Sie in Onlinevideos die Rechenschritte nachvollziehen und parallel in Excel mitrechnen. Damit liefert Ihnen dieses Buch nicht nur das für die wissenschaftliche Praxis notwendige Basiswissen der Datenanalyse, sondern bietet gleichermaßen das Fundament für einen souveränen Umgang mit den entsprechenden Instrumenten. Dieses Buch unterstützt somit Naturwissenschaftler, Mediziner und Ingenieure in Studium und Praxis und bietet einen leichten Einstieg in die statistische Datenanalyse und ihre Anwendung in Excel.
Datenanalyse für Naturwissenschaftler und Ingenieure: Mit statistischen Methoden und Java-Programmen
by Siegmund BrandtDie fünfte Auflage dieses erfolgreichen Buchs gibt eine umfassende Einführung in statistische und numerische Methoden zur Auswertung empirischer und experimenteller Daten. Statistische Theorie und praktische Probleme werden gleichermaßen behandelt: Es wird eine knappe mathematische Formulierung benutzt, ohne dabei die Anwendungen zu vernachlässigen, die in vielen Beispielen dargestellt werden. Für diese Auflage wurde eine Bibliothek von Java-Programmen entwickelt. Sie umfasst Methoden der rechnerischen Datenanalyse und der graphischen Darstellung sowie zahlreiche Beispielprogramme und Lösungen zu Programmieraufgaben. Die Programme (Quellcode und Java-Klassen, Dokumentation) und ausführliche Anhänge zum Haupttext des Buches stehen online auf der Seite des Buches innerhalb von www. springer. com zur Verfügung. Der Inhalt · Wahrscheinlichkeitsrechnung, Zufallsvariable · Zufallszahlen und Monte-Carlo-Methode · Statistische Verteilungen (Binomial-, Gauß-, Poisson, . . . ), Stichproben, Statistische Tests · Maximum Likelihood, kleinste Quadrate, Regression, Minimierung · Varianzanlyse und Zeitreihenanalyse · Anhänge zu mathematischen Hilfsmethoden und zu den Programmen. Die Zielgruppen Das Buch ist konzipiert als Einführung für Bachelor-Studierende und als Nachschlagewerk für Studierende im Master- und Promotionsstudium sowie für Naturwissenschaftler und Ingenieure in Forschung und Praxis. Es bietet ihnen Anleitung und Hilfe bei der Analyse ihrer Daten · im Praktikum · in Bachelor- und Master-Arbeiten · in Dissertationen · in Forschung und Beruf. Der Autor Siegmund Brandt ist emeritierter Professor der Physik an der Universität Siegen. Mit seiner Gruppe arbeitete er an Experimenten zur Elementarteilchenphysik an den Forschungszentren DESY in Hamburg und CERN in Genf, bei denen die Auswertung der experimentell gewonnenen Daten eine wichtige Rolle spielt. Er war Vorsitzender des Wissenschaftlichen Rates von DESY und ist Autor bzw. Koautor von Lehrbüchern, die in zehn Sprachen erschienen sind.
Datenanalyse mit SPSS: Realdatenbasierte Übungs- und Klausuraufgaben mit vollständigen Lösungen
by Peter P. EcksteinPeter P. Eckstein bietet in diesem Lehrbuch eine Vielzahl von Übungs- und Klausuraufgaben zur statistischen Datenanalyse mit SPSS an. Die Aufgaben sind nach inhaltlichen Schwerpunkten geordnet und decken jedes Anspruchsniveau ab. Basis sind reale Daten, die im Kontext von praktischen Problemstellungen der empirischen Wirtschafts- und Sozialforschung erhoben wurden. Vollständige und ausführliche Lösungen zu allen Aufgaben führen zu einer hohen Verständlichkeit des komplexen Stoffes und ermöglichen somit ein effektives Selbststudium und eine gezielte Klausurvorbereitung.Für die siebte Auflage wurde das Aufgabenspektrum auf insgesamt 195 komplexe Problemstellungen mit zahlreichen theoretischen und praktischen Fragen erweitert. Alle in diesem Lehrbuch verwendeten SPSS-Dateien sind im Anhang aufgelistet und stehen im Internet zur freien Verfügung bereit.
Datenanonymisierung im Kontext von Künstlicher Intelligenz und Big Data: Grundlagen – Elementare Techniken – Anwendung
by Heinz-Adalbert Krebs Patricia HagenweilerDie fortschreitende Digitalisierung, die immer höhere Verfügbarkeit des Internets in Echtzeit sowie die progressive Entwicklung der IT ermöglichen es Unternehmen und Organisationen, Daten in einem nie zuvor dagewesenen Umfang zu erzeugen und zu verarbeiten, wodurch sie einen enormen Stellen- und Marktwert erhalten haben. Zudem kann mithilfe der künstlichen Intelligenz (KI) das in den Daten enthaltene Wissen extrahiert werden. Oft handelt es sich dabei um gesammelte Daten von Personen, mit denen Vorhersagen über verschiedene Aspekte der Personen getroffen werden können.Das Buch befasst sich mit der Anonymisierung im Kontext der KI und Big Data. Dazu werden die wesentlichen Grundlagen dargestellt sowie pseudonymisierte und anonymisierte Daten mit Personenbezug im Rahmen der Datenschutz-Grundverordnung (DSGVO) und des Bundesdatenschutzgesetzes (BDSG) beleuchtet. Es werden Möglichkeiten zur Pseudonymisierung, zu den jeweiligen Techniken und Verfahren der Anonymisierung sowie entsprechende Risikobetrachtungen behandelt. Abschließend wird die Vorgehensweise der Anonymisierung aus rechtlicher und technischer Sicht unter Anwendung entsprechender Software behandelt.
Datenaustausch in der Anlagenplanung mit AutomationML: Integration von CAEX, PLCopen XML und COLLADA (VDI-Buch)
by Rainer DrathDas Buch gibt erstmals einen umfassenden Überblick über die Technologie AutomationML und die Integration von CAEX, COLLADA und PLCopen XML. Mit AutomationML soll die Interoperabilität zwischen digitalen Werkzeugen im Engineering-Prozess gefördert werden. Es ist das erste kostenfrei zugängliche, offene und XML-basierte Format, das übergreifend eine Vielzahl von Planungsaspekten kombiniert. Das Buch ist ein Gemeinschaftswerk des AutomationML-Konsortiums. Es wurde so konzipiert, dass es als Kompendium und zugleich als Entscheidungshilfe dienen kann.