Kooperativer Bibliotheksverbund

UID:

Format: 265 Seiten : , Illustrationen, Diagramme ; , 24 cm x 16.5 cm.

Edition: 1. Auflage

ISBN: 978-3-96009-191-2 , 3-96009-191-5

Uniform Title: Becoming a data head

Additional Edition: Parallele Sprachausgabe

Additional Edition: Erscheint auch als Online-Ausgabe, PDF ISBN 978-3-96010-667-8

Additional Edition: Erscheint auch als Online-Ausgabe, ePub ISBN 978-3-96010-668-5

Additional Edition: Erscheint auch als Online-Ausgabe, Mobi ISBN 978-3-96010-669-2

Language: German

Subjects: Computer Science , Economics

Keywords: Unternehmen ; Data Science ; Maschinelles Lernen ; Datenanalyse ; Lineare Regression ; Unternehmen ; Datenmanagement ; Data Science ; Maschinelles Lernen

URL: Inhaltstext

URL: Inhaltsverzeichnis

URL: Inhaltstext

URL: Inhaltsverzeichnis

Author information: Lang, Jørgen W.

UID:

Format: Online-Ressource (268 Seiten).

ISBN: 9783960106678

Additional Edition: ISBN 9783960091912

Language: German

URL: Volltext

UID:

Format: 272 Seiten , Illustrationen, Tabellen , 24 cm

Edition: 1. Auflage

ISBN: 9783960091912

Content: Fundierte Datenkompetenz für den Arbeitsplatz entwickeln - auch ohne Programmierkenntnisse. Jenseits der Buzzwords: zentrale Konzepte in Data Science, Statistik und Machine Learning wirklich verstehen. Das Buch vermittelt Grundwissen und eine datenorientierte Denkweise anhand klarer, gut nachvollziehbarer Alltagsbeispiele. Es schließt die Kommunikationslücke zwischen Data Scientists, Führungskräften und all denjenigen, die täglich mit Daten umgehen müssen. Dieses Buch ist ein umfassender Leitfaden für das Verständnis von Datenanalyse am Arbeitsplatz. Alex Gutman und Jordan Goldmeier lüften den Vorhang der Data Science und geben Ihnen die Sprache und die Werkzeuge an die Hand, die Sie benötigen, um informiert mitreden zu können, kritisch über die Auswertung von Daten zu sprechen und die richtigen Fragen zu stellen. Dank dieses Buchs kann jeder ein Data Head werden und aktiv an Data Science, Statistik und Machine Learning teilnehmen - auch ohne einen technischen Background. In diesem unterhaltsamen und gut verständlichen Buch werden die aktuellen, zum Teil komplexen Data-Science- und Statistik-Konzepte anhand einfacher Beispiele und Analogien veranschaulicht. Sie lernen statistisches Denken, das Vermeiden häufiger Fallstricke bei der Interpretation von Daten, und Sie erfahren, was es mit Machine Learning, Textanalyse, Deep Learning und künstlicher Intelligenz wirklich auf sich hat. Wenn Sie in Ihrem Unternehmen konkret mit Daten arbeiten, Führungskraft oder angehender Data Scientist sind, zeigt Ihnen dieses Buch, wie Sie ein echter Data Head werden.

Note: Deutsch

Language: German

Author information: Lang, Jørgen W.

UID:

ISBN: 9781119741763 , 9781119741718

Content: " Turn yourself into a Data Head. You'll become a more valuable employee and make your organization more successful.  Thomas H. Davenport, Research Fellow, Author of Competing on Analytics , Big Data @ Work , and The AI Advantage You've heard the hype around data—now get the facts. In Becoming a Data Head: How to Think, Speak, and Understand Data Science, Statistics, and Machine Learning , award-winning data scientists Alex Gutman and Jordan Goldmeier pull back the curtain on data science and give you the language and tools necessary to talk and think critically about it.You'll learn how to:  Think statistically and understand the role variation plays in your life and decision making  Speak intelligently and ask the right questions about the statistics and results you encounter in the workplace  Understand what's really going on with machine learning, text analytics, deep learning, and artificial intelligence Avoid common pitfalls when working with and interpreting data Becoming a Data Head is a complete guide for data science in the workplace: covering everything from the personalities you'll work with to the math behind the algorithms. The authors have spent years in data trenches and sought to create a fun, approachable, and eminently readable book. Anyone can become a Data Head—an active participant in data science, statistics, and machine learning. Whether you're a business professional, engineer, executive, or aspiring data scientist, this book is for you.  "

Language: English

URL: https://img1.od-cdn.com/ImageType-200/0128-1/{499A26BF-8E49-4360-AAC7-0FCC26AB5396}Img200.jpg

URL: https://img1.od-cdn.com/ImageType-150/0128-1/499/A26/BF/{499A26BF-8E49-4360-AAC7-0FCC26AB5396}Img150.jpg

URL: https://samples.overdrive.com/?crid=499a26bf-8e49-4360-aac7-0fcc26ab5396&.epub-sample.overdrive.com

URL: https://api.overdrive.com/v1/collections/v1L1BBQ0AAA2_/products/499a26bf-8e49-4360-aac7-0fcc26ab5396/metadata

URL: http://voebb.lib.overdrive.com/ContentDetails.htm?ID=499A26BF-8E49-4360-AAC7-0FCC26AB5396

UID:

Format: xl, 226 Seiten , Illustrationen, Diagramme

ISBN: 9781119741749

Content: "Turn yourself into a Data Head. You'll become a more valuable employee and make your organization more successful."Thomas H. Davenport, Research Fellow, Author of Competing on Analytics, Big Data @ Work, and The AI AdvantageYou've heard the hype around data--now get the facts.In Becoming a Data Head: How to Think, Speak, and Understand Data Science, Statistics, and Machine Learning, award-winning data scientists Alex Gutman and Jordan Goldmeier pull back the curtain on data science and give you the language and tools necessary to talk and think critically about it.You'll learn how to:* Think statistically and understand the role variation plays in your life and decision making* Speak intelligently and ask the right questions about the statistics and results you encounter in the workplace* Understand what's really going on with machine learning, text analytics, deep learning, and artificial intelligence* Avoid common pitfalls when working with and interpreting dataBecoming a Data Head is a complete guide for data science in the workplace: covering everything from the personalities you'll work with to the math behind the algorithms. The authors have spent years in data trenches and sought to create a fun, approachable, and eminently readable book. Anyone can become a Data Head--an active participant in data science, statistics, and machine learning. Whether you're a business professional, engineer, executive, or aspiring data scientist, this book is for you.

Additional Edition: Erscheint auch als Online-Ausgabe ISBN 978-1-119-74176-3

Additional Edition: Erscheint auch als Online-Ausgabe ISBN 978-1-119-74171-8

Language: English

Keywords: Data Science ; Maschinelles Lernen ; Datenanalyse

UID:

Format: 1 Online-Ressource (269 Seiten)

ISBN: 9781119741718

Note: Description based on publisher supplied metadata and other sources

Additional Edition: Erscheint auch als Druck-Ausgabe Gutman, Alex J. Becoming a Data Head Newark : John Wiley & Sons, Incorporated,c2021 ISBN 9781119741749

Language: English

Keywords: Data Science ; Maschinelles Lernen ; Datenanalyse

UID:

ISBN: 9783960106678 , 9783960106685

Content: "Fundierte Datenkompetenz für den Arbeitsplatz entwickeln - auch ohne Programmierkenntnisse Jenseits der Buzzwords: zentrale Konzepte in Data Science, Statistik und Machine Learning wirklich verstehen Das Buch vermittelt Grundwissen und eine datenorientierte Denkweise anhand klarer, gut nachvollziehbarer Alltagsbeispiele Es schließt die Kommunikationslücke zwischen Data Scientists, Führungskräften und all denjenigen, die täglich mit Daten umgehen müssenDieses Buch ist ein umfassender Leitfaden für das Verständnis von Datenanalyse am Arbeitsplatz. Alex Gutman und Jordan Goldmeier lüften den Vorhang der Data Science und geben Ihnen die Sprache und die Werkzeuge an die Hand, die Sie benötigen, um informiert mitreden zu können, kritisch über die Auswertung von Daten zu sprechen und die richtigen Fragen zu stellen. Dank dieses Buchs kann jede:r ein Data Head werden und aktiv an Data Science, Statistik und Machine Learning teilnehmen - auch ohne einen technischen Background. In diesem unterhaltsamen und gut verständlichen Buch werden die aktuellen, zum Teil komplexen Data-Science- und Statistik-Konzepte anhand einfacher Beispiele und Analogien veranschaulicht. Sie lernen statistisches Denken, das Vermeiden häufiger Fallstricke bei der Interpretation von Daten, und Sie erfahren, was es mit Machine Learning, Textanalyse, Deep Learning und künstlicher Intelligenz wirklich auf sich hat. Wenn Sie in Ihrem Unternehmen konkret mit Daten arbeiten, Führungskraft oder angehender Data Scientist sind, zeigt Ihnen dieses Buch, wie Sie ein echter Data Head werden. "

Content: Biographisches: "Alex J. Gutman ist Data Scientist, Unternehmenstrainer und Accredited Professional Statistician®. Sein beruflicher Schwerpunkt liegt auf statistischem und maschinellem Lernen, und er verfügt über umfangreiche Erfahrungen als Data Scientist für das US-Verteidigungsministerium und zwei Fortune-50-Unternehmen. Seinen Doktortitel in angewandter Mathematik erhielt er vom Air Force Institute of Technology. Jordan Goldmeier ist ein international anerkannter Analytik- und Datenvisualisierungs-Experte, Autor und Redner. Er wurde sieben Mal mit dem Microsoft Most Valuable Professional Award ausgezeichnet und hat Mitglieder von Pentagon und Fortune-500-Unternehmen in Analytik unterrichtet. Er ist Autor der Bücher Advanced Excel Essentials und Dashboards for Excel."

Language: German

URL: https://img1.od-cdn.com/ImageType-200/6251-1/{5AA4BBD4-0E66-4096-86FB-451DA17F16F9}IMG200.JPG

URL: https://img1.od-cdn.com/ImageType-150/6251-1/{5AA4BBD4-0E66-4096-86FB-451DA17F16F9}IMG150.JPG

URL: https://samples.overdrive.com/?crid=5aa4bbd4-0e66-4096-86fb-451da17f16f9&.epub-sample.overdrive.com

URL: https://api.overdrive.com/v1/collections/v1L1BBQ0AAA2_/products/5aa4bbd4-0e66-4096-86fb-451da17f16f9/metadata

URL: http://voebb.lib.overdrive.com/ContentDetails.htm?ID=5AA4BBD4-0E66-4096-86FB-451DA17F16F9

Author information: Lang, Jørgen W.

UID:

ISBN: 9783960106678

Content: Long description: Fundierte Datenkompetenz für den Arbeitsplatz entwickeln - auch ohne Programmierkenntnisse Jenseits der Buzzwords: zentrale Konzepte in Data Science, Statistik und Machine Learning wirklich verstehen Das Buch vermittelt Grundwissen und eine datenorientierte Denkweise anhand klarer, gut nachvollziehbarer Alltagsbeispiele Es schließt die Kommunikationslücke zwischen Data Scientists, Führungskräften und all denjenigen, die täglich mit Daten umgehen müssen Dieses Buch ist ein umfassender Leitfaden für das Verständnis von Datenanalyse am Arbeitsplatz. Alex Gutman und Jordan Goldmeier lüften den Vorhang der Data Science und geben Ihnen die Sprache und die Werkzeuge an die Hand, die Sie benötigen, um informiert mitreden zu können, kritisch über die Auswertung von Daten zu sprechen und die richtigen Fragen zu stellen. Dank dieses Buchs kann jede:r ein Data Head werden und aktiv an Data Science, Statistik und Machine Learning teilnehmen - auch ohne einen technischen Background.In diesem unterhaltsamen und gut verständlichen Buch werden die aktuellen, zum Teil komplexen Data-Science- und Statistik-Konzepte anhand einfacher Beispiele und Analogien veranschaulicht. Sie lernen statistisches Denken, das Vermeiden häufiger Fallstricke bei der Interpretation von Daten, und Sie erfahren, was es mit Machine Learning, Textanalyse, Deep Learning und künstlicher Intelligenz wirklich auf sich hat. Wenn Sie in Ihrem Unternehmen konkret mit Daten arbeiten, Führungskraft oder angehender Data Scientist sind, zeigt Ihnen dieses Buch, wie Sie ein echter Data Head werden.

Content: Biographical note: Alex J. Gutman ist Data Scientist, Unternehmenstrainer und Accredited Professional Statistician®. Sein beruflicher Schwerpunkt liegt auf statistischem und maschinellem Lernen, und er verfügt über umfangreiche Erfahrungen als Data Scientist für das US-Verteidigungsministerium und zwei Fortune-50-Unternehmen. Seinen Doktortitel in angewandter Mathematik erhielt er vom Air Force Institute of Technology. Jordan Goldmeier ist ein international anerkannter Analytik- und Datenvisualisierungs-Experte, Autor und Redner. Er wurde sieben Mal mit dem Microsoft Most Valuable Professional Award ausgezeichnet und hat Mitglieder von Pentagon und Fortune-500-Unternehmen in Analytik unterrichtet. Er ist Autor der Bücher Advanced Excel Essentials und Dashboards for Excel.

Additional Edition: ISBN 9783960091912

Language: German

URL: http://www.content-select.com/index.php?id=bib_view&ean=9783960106678

UID:

Format: Online-Ressource (268 Seiten).

ISBN: 9783960106678

Additional Edition: ISBN 9783960091912

Language: German

URL: Volltext

UID:

Format: 1 online resource (268 pages)

ISBN: 9783960106678

Note: Intro -- Inhalt -- Vorwort -- Einleitung -- Die Data-Science-Industrie -- Warum uns das Thema so wichtig ist -- Die Krise auf dem US-amerikanischen Subprime- Hypothekenmarkt -- Die US-Präsidentschaftswahl von 2016 -- Unsere Hypothese -- Daten am Arbeitsplatz -- Die berühmte Sitzungssaal-Szene -- Sie können das große Ganze verstehen -- Restaurants klassifizieren -- Ja und? -- Für wen dieses Buch geschrieben wurde -- Warum wir dieses Buch geschrieben haben -- Was Sie lernen werden -- Wie dieses Buch strukturiert ist -- Ein letzter Punkt, bevor es wirklich losgeht -- Teil I: Denken wie ein Data Head -- Kapitel 1: Was ist das Problem? -- Fragen, die ein Data Head stellen sollte -- Warum ist das Problem wichtig? -- Wen betrifft das Problem? -- Was ist, wenn wir nicht die richtigen Daten haben? -- Wann ist das Projekt zu Ende? -- Was tun wir, wenn uns die Ergebnisse nicht gefallen? -- Verstehen, warum Datenprojekte scheitern -- Szenario: Kundenwahrnehmung -- Diskussion -- An den wichtigen Problemen arbeiten -- Zusammenfassung -- Kapitel 2: Was sind Daten? -- Daten oder Informationen? -- Ein Beispiel-Datensatz -- Datentypen -- Wie Daten gesammelt und strukturiert werden -- Beobachtungsbasierte versus experimentelle Daten -- Strukturierte versus unstrukturierte Daten -- Die Basics der zusammenfassenden Statistik -- Zusammenfassung -- Kapitel 3: Vorbereitungen für das statistische Denken -- Stellen Sie Fragen! -- In allen Dingen ist Variation -- Szenario: Kundenwahrnehmung (die Fortsetzung) -- Fallstudie: Nierenkrebsraten -- Wahrscheinlichkeitsrechnung und Statistik -- Wahrscheinlichkeit oder Intuition -- Entdeckungen mit Statistiken -- Zusammenfassung -- Teil II: Sprechen wie ein Data Head -- Kapitel 4: Daten infrage stellen -- Was würden Sie tun? -- Katastrophe durch fehlende Daten -- Erzählen Sie mir die Herkunftsgeschichte der Daten , Wer hat die Daten gesammelt? -- Wie wurden die Daten gesammelt? -- Sind die Daten repräsentativ? -- Gibt es eine Stichprobenverzerrung? -- Wie wurde mit Ausreißern umgegangen? -- Welche Daten sehe ich nicht? -- Wie gehen Sie mit fehlenden Werten um? -- Können die Daten abbilden, was Sie mit ihnen messen wollen? -- Stellen Sie Daten infrage, egal wie groß die Datenmenge ist -- Zusammenfassung -- Kapitel 5: Daten erkunden -- Ihre Rolle in der explorativen Datenanalyse -- Wie ein Forscher denken -- Leitfragen -- Der Versuchsaufbau -- Können die Daten Ihre Frage beantworten? -- Legen Sie Erwartungen fest und benutzen Sie Ihren gesunden Menschenverstand -- Ergeben die Werte intuitiv einen Sinn? -- Achtung: Ausreißer und fehlende Werte -- Sind Ihnen irgendwelche Beziehungen aufgefallen? -- Korrelation verstehen -- Achtung: Korrelation falsch interpretieren -- Achtung: Korrelation bedeutet nicht Kausalität -- Haben Sie in den Daten neue Einsatzmöglichkeiten oder unentdeckte Potenziale gefunden? -- Zusammenfassung -- Kapitel 6: Wahrscheinlichkeiten untersuchen -- Raten Sie mal -- Die Spielregeln -- Schreibweise -- Bedingte Wahrscheinlichkeit und unabhängige Ereignisse -- Die Wahrscheinlichkeit mehrfacher Ereignisse -- Gedankenexperiment zur Wahrscheinlichkeit -- Die nächsten Schritte -- Seien Sie vorsichtig bei der Annahme von Abhängigkeiten -- Fallen Sie nicht auf den Spieler-Fehlschluss herein -- Alle Wahrscheinlichkeiten unterliegen bestimmten Bedingungen -- Vertauschen Sie Abhängigkeiten nicht -- Der Satz von Bayes -- Stellen Sie sicher, dass die Wahrscheinlichkeiten einen Sinn ergeben -- Kalibrierung -- Seltene Ereignisse können und werden eintreffen -- Zusammenfassung -- Kapitel 7: Hinterfragen Sie Statistiken -- Kleine Einführung in die statistische Inferenz -- Schaffen Sie sich etwas Spielraum -- Mehr Daten, mehr Evidenz , Hinterfragen Sie den Status quo -- Beweise für das Gegenteil (Evidenz) -- Entscheidungsfehler ausgleichen -- Die Vorgehensweise der statistischen Inferenz -- Die Fragen, die Sie stellen sollten, um Statistiken zu hinterfragen -- Was ist der Kontext für diese Statistik? -- Wie groß ist der Stichprobenumfang? -- Was testen Sie? -- Wie lautet die Nullhypothese? -- Wie hoch ist das Signifikanzniveau? -- Wie viele Tests führen Sie durch? -- Kann ich bitte die Konfidenzintervalle sehen? -- Ist dies von praktischer Bedeutung? -- Gehen Sie von einer Kausalität aus? -- Zusammenfassung -- Teil III: Den Werkzeugkasten des Data Scientist verstehen -- Kapitel 8: Nach versteckten Gruppen suchen -- Unüberwachtes Lernen -- Dimensionsreduktion -- Zusammengefasste Features erstellen -- Hauptkomponentenanalyse -- Beispiel: HKA für die sportliche Leistungsfähigkeit -- Zusammenfassung zur HKA -- Mögliche Fallen -- Clustering -- Clustering mit dem k-Means-Algorithmus -- Beispiel: Clustering von Verkaufsfilialen -- Mögliche Fallen -- Zusammenfassung -- Kapitel 9: Das Regressionsmodell verstehen -- Überwachtes Lernen -- Was macht die lineare Regression? -- Kleinste-Quadrate-Regression: mehr als nur ein hübscher Name -- Vorteile der linearen Regression -- Auf mehrere Features erweitern -- Probleme und Fallstricke der linearen Regression -- Unberücksichtigte Variablen -- Multikollinearität -- Data Leakage -- Extrapolationsfehler -- Viele Beziehungen sind nicht linear -- Erklärst du noch, oder machst du schon Vorhersagen? -- Leistungsfähigkeit der Regression -- Andere Regressionsmodelle -- Zusammenfassung -- Kapitel 10: Das Klassifikationsmodell verstehen -- Einführung in die Klassifikation -- Was Sie lernen werden -- Klassifikationsproblem: Versuchsaufbau -- Logistische Regression -- Logistische Regression: Na und? -- Entscheidungsbäume -- Ensemblemethoden -- Zufallswälder , Gradientenverstärkte Bäume -- Interpretierbarkeit von Ensemblemethoden -- Achten Sie auf Fallstricke -- Falsche Anwendung des Problems -- Data Leakage -- Keine Aufteilung der Daten -- Den richtigen Cut-off-Wert wählen -- Falsch verstandene Genauigkeit -- Konfusionsmatrizen -- Zusammenfassung -- Kapitel 11: Textanalyse verstehen -- Erwartungen an die Textanalyse -- Wie aus Text Zahlen werden -- Ein großer Sack voll Wörter -- N-Gramme -- Worteinbettungen -- Topic Modeling -- Textklassifikation -- Naive Bayes -- Sentimentanalyse -- Praktische Überlegungen bei der Arbeit mit Text -- Die großen Technologiekonzerne haben die Oberhand -- Zusammenfassung -- Kapitel 12: Konzepte des Deep Learning -- Neuronale Netzwerke -- Worin besteht die Ähnlichkeit zwischen neuronalen Netzwerken und dem Gehirn? -- Ein einfaches neuronales Netzwerk -- Wie ein neuronales Netzwerk lernt -- Ein etwas komplexeres neuronales Netzwerk -- Anwendungen des Deep Learning -- Die Vorteile des Deep Learning -- Wie Computer Bilder »sehen« -- Neuronale Konvolutionsnetze -- Deep Learning für Sprache und Wortsequenzen -- Deep Learning in der Praxis -- Haben Sie Daten? -- Sind Ihre Daten strukturiert? -- Wie wird das Netzwerk aussehen? -- Die künstliche Intelligenz und Sie -- Die großen Technologiekonzerne haben die Oberhand -- Ethik im Deep Learning -- Zusammenfassung -- Teil IV: Den Erfolg sichern -- Kapitel 13: Achten Sie auf Fallstricke -- Bias und seltsame Datenphänomene -- Survivorship Bias -- Regression zur Mitte -- Das Simpson-Paradoxon -- Confirmation Bias -- Effort Bias -- Algorithmischer Bias -- Weitere Formen von Bias -- Die große Liste möglicher Fallstricke -- Fallstricke der Statistik und des Machine Learning -- Projektbezogene Fallstricke -- Zusammenfassung -- Kapitel 14: Menschen und Persönlichkeiten kennen -- Sieben Szenarien typischer Kommunikationspannen -- Das Postmortem , Märchenstunde -- Stille Post -- Verzettelt -- Der Realitätsabgleich -- Die Übernahme -- Der Angeber -- Datenpersönlichkeiten -- Datenenthusiasten -- Datenzyniker -- Data Heads -- Zusammenfassung -- Kapitel 15: Was kommt danach? -- Danksagungen -- Index

Additional Edition: Print version: Gutman, Alex J. Werde ein Data Head Heidelberg : o'Reilly,c2022 ISBN 9783960091912

Keywords: Electronic books.

URL: https://ebookcentral.proquest.com/lib/th-brandenburg/detail.action?docID=6970342