Einführung in Data Science by Grus, Joel -- Read -- Imperial Library of Trantor

Index

Titel Impressum Inhalt Vorwort Kapitel 1: Einführung

Der Aufstieg der Daten Was ist Data Science? Ein motivierendes Szenario: DataSciencester

Kapitel 2: Ein Crashkurs in Python

Grundlagen Über die Grundlagen hinaus Weiterführendes Material

Kapitel 3: Daten visualisieren

matplotlib Balkendiagramme Liniendiagramme Scatterplots Weiterführendes Material

Kapitel 4: Lineare Algebra

Vektoren Matrizen Weiterführendes Material

Kapitel 5: Statistik

Einen einzelnen Datensatz beschreiben Korrelation Das Simpson-Paradoxon Weitere Fallstricke von Korrelationen Korrelation und Kausalität Weiterführendes Material

Kapitel 6: Wahrscheinlichkeit

Abhängigkeit und Unabhängigkeit Bedingte Wahrscheinlichkeit Der Satz von Bayes Zufallsvariablen Kontinuierliche Wahrscheinlichkeitsverteilungen Die Normalverteilung Der zentrale Grenzwertsatz Weiterführendes Material

Kapitel 7: Hypothesen und Schlussfolgerungen

Testen statistischer Hypothesen Beispiel: Münzwürfe p-Werte Konfidenzintervalle P-Hacking Beispiel: Durchführen eines A/B-Tests Bayessche Inferenz Weiterführendes Material

Kapitel 8: Die Gradientenmethode

Die Idee hinter der Gradientenmethode Abschätzen des Gradienten Den Gradienten verwenden Auswahl der richtigen Schrittweite Anwendungsbeispiel Stochastische Gradientenmethode Weiterführendes Material

Kapitel 9: Daten sammeln

stdin und stdout Einlesen von Dateien Auslesen von Webseiten Verwenden von APIs Beispiel: Verwenden der Twitter-APIs Weiterführendes Material

Kapitel 10: Arbeiten mit Daten

Erkunden Ihrer Daten Bereinigen und Umformen Manipulieren von Daten Umskalieren Hauptkomponentenanalyse Weiterführendes Material

Kapitel 11: Maschinelles Lernen

Modellieren Was ist maschinelles Lernen? Overfitting und Underfitting Genauigkeit Der Kompromiss zwischen Bias und Varianz Extraktion und Auswahl von Eigenschaften Weiterführendes Material

Kapitel 12: k-Nächste-Nachbarn

Das Modell Beispiel: bevorzugte Programmiersprachen Der Fluch der Dimensionalität Weiterführendes Material

Kapitel 13: Naive Bayes-Klassifikatoren

Ein wirklich primitiver Spam-Filter Ein anspruchsvollerer Spam-Filter Implementierung Testen des Modells Weiterführendes Material

Kapitel 14: Einfache lineare Regression

Das Modell Anwenden des Gradientenverfahrens Maximum-Likelihood-Methode Weiterführendes Material

Kapitel 15: Multiple Regression

Das Modell Weitere Annahmen bei der Methode der kleinsten Quadrate Anpassen des Modells Interpretation des Modells Anpassungsgüte Exkurs: Bootstrapping Standardfehler von Regressionskoeffizienten Regularisierung Weiterführendes Material

Kapitel 16: Logistische Regression

Die Aufgabe Die logistische Funktion Anwendung des Modells Anpassungsgüte Support Vector Machines Weiterführendes Material

Kapitel 17: Entscheidungsbäume

Was ist ein Entscheidungsbaum? Entropie Die Entropie einer Partition Einen Entscheidungsbaum erzeugen Verallgemeinerung des Verfahrens Random Forests Weiterführendes Material

Kapitel 18: Neuronale Netzwerke

Perzeptrons Feed-forward-Netze Backpropagation Beispiel: Bezwingen eines CAPTCHA Weiterführendes Material

Kapitel 19: Clustering

Die Idee Das Modell Beispiel: Meetups Die Auswahl von k Beispiel: Clustern von Farben Agglomeratives hierarchisches Clustering Weiterführendes Material

Kapitel 20: Linguistische Datenverarbeitung

Wortwolken N-Gramm-Modelle Grammatiken Exkurs: Gibbs-Sampling Themenmodellierung Weiterführendes Material

Kapitel 21: Graphenanalyse

Betweenness-Zentralität Eigenvektor-Zentralität Gerichtete Graphen und PageRank Weiterführendes Material

Kapitel 22: Empfehlungssysteme

Manuelle Pflege Empfehlen, was beliebt ist Nutzerbasiertes kollaboratives Filtern Gegenstandsbasiertes kollaboratives Filtern Weiterführendes Material

Kapitel 23: Datenbanken und SQL

CREATE TABLE und INSERT UPDATE DELETE SELECT GROUP BY ORDER BY JOIN Subqueries Indexstrukturen Optimierung von Anfragen NoSQL Weiterführendes Material

Kapitel 24: MapReduce

Beispiel: Wörter zählen Warum MapReduce? MapReduce verallgemeinert Beispiel: Statusmeldungen analysieren Beispiel: Matrizenmultiplikation Eine Randbemerkung: Combiners Weiterführendes Material

Kapitel 25: Gehet hin und praktizieret Data Science

IPython Mathematik Nicht bei null starten Finden Sie Daten Data Science in der Praxis

Index Über den Autor Über den Übersetzer Kolophon

← Prev
Back
Next →

← Prev
Back
Next →