Data Science · 2nd Edition by Haneke, Uwe -- Read -- Imperial Library of Trantor

Index

Cover Über die Autoren Titel Impressum Vorwort zur 2. Auflage Vorwort Inhaltsübersicht Inhaltsverzeichnis 1 Einleitung

Uwe Haneke · Stephan Trahasch · Michael Zimmer · Carsten Felden 1.1 Von Business Intelligence zu Data Science 1.2 Data Science und angrenzende Gebiete 1.3 Vorgehen in Data-Science-Projekten 1.4 Struktur des Buches

2 (Advanced) Analytics is the new BI?

Uwe Haneke 2.1 Geschichte wiederholt sich? 2.2 Die DIKW-Pyramide erklimmen 2.3 Vom Nebeneinander zum Miteinander 2.4 Fazit

3 Data Science und künstliche Intelligenz – der Schlüssel zum Erfolg?

Marc Beierschoder · Benjamin Diemann · Michael Zimmer 3.1 Zwischen Euphorie und Pragmatismus 3.2 Wann ist Data Science und KI das Mittel der Wahl? 3.3 Realistische Erwartungen und klare Herausforderungen 3.4 Aus der Praxis 3.4.1 Die Automobilbranche als Beispiel 3.4.1.1 Machen Sie Ihren Kunden ein Angebot, das sie nicht ausschlagen können 3.4.1.2 Spinning the Customer Life Cycle – Schaffen Sie mehr als eine Runde? 3.5 Fazit

4 Konzeption und Entwicklung von Data-driven Products/Datenprodukten

Christoph Tempich 4.1 Einleitung 4.2 Datenprodukte 4.2.1 Definition 4.2.2 Beispiele für Datenprodukte 4.2.3 Herausforderungen des Produktmanagements für Datenprodukte 4.3 Digitale Produktentwicklung 4.3.1 Produktmanagement 4.3.2 Agile Entwicklung 4.3.3 Lean Startup 4.3.4 Data Science 4.3.5 Data-centric Business Models 4.4 Datenprodukte definieren 4.4.1 Ideengenerierung für Datenprodukte entlang der Customer Journey 4.4.2 Value Propositions von Datenprodukten 4.4.3 Ziele und Messung 4.4.4 Die Erwartung an die Güte des Modells bestimmen 4.4.5 Mit dem Datenprodukt beginnen 4.4.6 Kontinuierliche Verbesserung mit der Datenwertschöpfungskette 4.4.7 Skalierung und Alleinstellungsmerkmal 4.5 Kritischer Erfolgsfaktor Feedbackschleife 4.6 Organisatorische Anforderungen 4.7 Technische Anforderungen 4.8 Fazit

5 Grundlegende Methoden der Data Science

Stephan Trahasch · Carsten Felden 5.1 Einleitung 5.2 Data Understanding und Data Preparation 5.2.1 Explorative Datenanalyse 5.2.2 Transformation und Normalisierung 5.3 Überwachte Lernverfahren 5.3.1 Datenaufteilung 5.3.2 Bias-Variance-Tradeoff 5.3.3 Klassifikationsverfahren 5.4 Unüberwachte Lernverfahren und Clustering 5.5 Reinforcement Learning 5.5.1 Aspekte des Reinforcement Learning 5.5.2 Bestandteile eines Reinforcement-Learning-Systems 5.6 Evaluation 5.6.1 Ausgewählte Qualitätsmaße im Kontext von Klassifikationsaufgabenstellungen 5.6.2 Ausgewählte Qualitätsmaße im Kontext von Clusterungen 5.7 Weitere Ansätze 5.7.1 Deep Learning 5.7.2 Cognitive Computing 5.8 Fazit

6 Feature Selection

Bianca Huber 6.1 Weniger ist mehr 6.2 Einführung in die Feature Selection 6.2.1 Definition 6.2.2 Abgrenzung 6.3 Ansätze der Feature Selection 6.3.1 Der Filter-Ansatz 6.3.2 Der Wrapper-Ansatz 6.3.3 Der Embedded-Ansatz 6.3.4 Vergleich der drei Ansätze 6.4 Feature Selection in der Praxis 6.4.1 Empfehlungen 6.4.2 Anwendungsbeispiel 6.5 Fazit

7 Deep Learning

Klaus Dorer 7.1 Grundlagen neuronaler Netzwerke 7.1.1 Menschliches Gehirn 7.1.2 Modell eines Neurons 7.1.3 Perzeptron 7.1.4 Backpropagation-Netzwerke 7.2 Deep Convolutional Neural Networks 7.2.1 Convolution-Schicht 7.2.2 Pooling-Schicht 7.2.3 Fully-Connected-Schicht 7.3 Deep Reinforcement Learning 7.4 Anwendung von Deep Learning 7.4.1 Sweaty 7.4.2 AudiCup 7.4.3 DRL im RoboCup 7.4.4 Deep-Learning-Frameworks 7.4.5 Standarddatensätze 7.4.6 Standardmodelle 7.4.7 Weitere Anwendungen 7.5 Fazit

8 Von einer BI-Landschaft zum Data & Analytics-Ökosystem

Michael Zimmer · Benjamin Diemann · Andreas Holzhammer 8.1 Einleitung 8.2 Komponenten analytischer Ökosysteme 8.3 Vom Reporting zur industrialisierten Data Science 8.4 Data Science und Agilität 8.5 Entwicklungs-, Test- und Produktionsumgebungen für Data Science 8.6 Vom Spielplatz für Innovation zur Serienfertigung 8.7 Anwendungsbeispiel 8.8 Fazit

9 Self-Service und Governance im Data-Science-Umfeld: der emanzipierte Anwender

Uwe Haneke · Michael Zimmer 9.1 Einleitung 9.2 Self-Service-Angebote für Data & Analytics 9.3 Data Governance und Self-Service 9.4 Self-Service-Datenaufbereitung und Data Science 9.5 Self-Service-Datenaufbereitung vs. ETL 9.6 Bimodale Data & Analytics: Segen oder Fluch? 9.7 Entwicklungen im Self-Service-Bereich 9.7.1 AutoML als Data-Scientist-Ersatz? 9.7.2 Augmented Analytics 9.8 Fazit

10 Data Privacy

Victoria Kayser · Damir Zubovic 10.1 Die Rolle von Data Privacy für Analytics und Big Data 10.2 Rechtliche und technische Ausgestaltung von Data Privacy 10.2.1 Rechtliche Bestimmungen zu Data Privacy 10.2.2 Technische und methodische Ansätze zur Schaffung von Data Privacy 10.3 Data Privacy im Kontext des Analytics Lifecycle 10.3.1 Ideen generieren 10.3.2 Prototypen entwickeln 10.3.3 Implementieren der Lösung 10.4 Diskussion und Fazit

11 Gespräch zur digitalen Ethik

Matthias Haun · Gernot Meier Fallstudien

12 Customer Churn mit Keras/TensorFlow und H2O

Shirin Glander 12.1 Was ist Customer Churn? 12.1.1 Wie kann Predictive Analytics bei dem Problem helfen? 12.1.2 Wie können wir Customer Churn vorhersagen? 12.2 Fallstudie 12.2.1 Der Beispieldatensatz 12.2.2 Vorverarbeitung der Daten 12.2.3 Neuronale Netze mit Keras und TensorFlow 12.2.4 Stacked Ensembles mit H2O 12.3 Bewertung der Customer-Churn-Modelle 12.3.1 Kosten-Nutzen-Kalkulation 12.3.2 Erklärbarkeit von Customer-Churn-Modellen 12.4 Zusammenfassung und Fazit

13 Wirtschaftlichkeitsbetrachtung bei der Auswahl & Entwicklung von Data Science Eine Fallstudie im Online-Lebensmitteleinzelhandel

Nicolas March 13.1 Herausforderungen in der Praxis 13.1.1 Data-Science-Anwendungen im Online-LEH 13.1.2 Auswahl und Umsetzung wirtschaftlicher Anwendungsfälle 13.2 Fallstudie: Kaufempfehlungssysteme im Online-Lebensmitteleinzelhandel 13.2.1 Vorabanalysen zur Platzierung von Empfehlungen 13.2.2 Prototypische Entwicklung eines Empfehlungsalgorithmus 13.2.3 MVP und testgetriebene Entwicklung der Recommendation Engine 13.3 Fazit

14 Analytics im Onlinehandel

Mikio Braun 14.1 Einleitung 14.2 Maschinelles Lernen: von der Uni zu Unternehmen 14.3 Wie arbeiten Data Scientists und Programmierer zusammen? 14.4 Architekturmuster, um maschinelle Lernmethoden produktiv zu nehmen 14.4.1 Architekturmuster des maschinellen Lernens 14.4.2 Architekturmuster, um Modelle auszuliefern 14.4.3 Datenvorverarbeitung und Feature-Extraktion 14.4.4 Automation und Monitoring 14.4.5 Integrationsmuster für maschinelles Lernen 14.5 Was kann man sonst auf Firmenebene tun, um Data Science zu unterstützen? 14.6 Fazit

15 Predictive Maintenance

Marco Huber 15.1 Einleitung 15.2 Was ist Instandhaltung? 15.2.1 Folgen mangelhafter Instandhaltung 15.2.2 Wettbewerbsfähige Produktion 15.3 Instandhaltungsstrategien 15.3.1 Reaktive Instandhaltung 15.3.2 Vorbeugende Instandhaltung 15.3.3 Vorausschauende Instandhaltung (Predictive Maintenance) 15.4 Prozessphasen der vorausschauenden Instandhaltung 15.4.1 Datenerfassung und -übertragung 15.4.2 Datenanalyse und Vorhersage 15.4.2.1 Unüberwachte Verfahren 15.4.2.2 Überwachte Verfahren 15.4.3 Planung und Ausführung 15.5 Fallbeispiele 15.5.1 Heidelberger Druckmaschinen 15.5.2 Verschleißmessung bei einem Werkzeugmaschinenhersteller 15.5.3 Vorausschauende Instandhaltung in der IT 15.6 Fazit

16 Scrum in Data-Science-Projekten

Caroline Kleist · Olaf Pier 16.1 Einleitung 16.2 Kurzüberblick Scrum 16.3 Data-Science-Projekte in der Praxis 16.4 Der Einsatz von Scrum in Data-Science-Projekten 16.4.1 Eigene Adaption 16.4.2 Realisierte Vorteile 16.4.3 Herausforderungen 16.5 Empfehlungen 16.6 Fazit

17 Der Analytics-Beitrag zu einer Added-Value-Strategie 303 am Beispiel eines Kundenkartenunternehmens

Matthias Meyer 17.1 Geschäftsmodell eines Multipartnerprogramms 17.2 Kundenbindung und Kundenbindungsinstrumente 17.3 Funktionen und Services eines Multipartnerprogrammbetreibers 17.3.1 Funktionen 17.3.2 Services und Vorteile aus Nutzer- und aus Partnerperspektive 17.4 Konkrete Herausforderungen des betrachteten Multipartnerprogrammbetreibers 17.5 Added-Value-Strategie 17.5.1 Hintergrund und Zielsetzung 17.5.2 Ausgangspunkt Datenbasis 17.6 Pilotierung ausgewählter Analytics-Ansätze 17.6.1 Analytische Ansatzpunkte 17.6.2 Pilotierung 17.7 Fazit

18 Künstliche Intelligenz bei der Zurich Versicherung – Anwendungen und Beispiele

Michael Zimmer · Jörg Narr · Ariane Horbach · Markus Hatterscheid 18.1 Herausforderungen innerhalb der Versicherungsbranche 18.2 KI bei der Zurich Versicherung 18.3 Anwendungsfälle 18.3.1 Analyse von Leistungsinformationen mithilfe von MedEye 18.3.2 Bilderkennung im Antragsprozess der Motorfahrzeugversicherung in der Schweiz 18.3.3 Betrugserkennung im Kfz-Bereich 18.3.4 Verbesserung der Kundeninteraktion und des Kundenmanagements mit den Swiss Platform for Analytical and Cognitive Enterprise (SPACE) Services 18.4 Fazit

Anhang

A Autoren B Abkürzungen C Literaturverzeichnis Fußnoten Index

← Prev
Back
Next →

← Prev
Back
Next →