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
