Kooperativer Bibliotheksverbund

UID:

Umfang: 1 Online-Ressource (XV, 356 Seiten) : , Illustrationen, Diagramme (teilweise farbig).

Ausgabe: 1. Auflage

ISBN: 978-3-96010-467-4

Anmerkung: Auf dem Cover: "Übersetzung der 2. Auflage"

Weitere Ausg.: Erscheint auch als Online-Ausgabe, ePub ISBN 978-3-96010-468-1

Weitere Ausg.: Erscheint auch als Online-Ausgabe, mobi ISBN 978-3-96010-469-8

Weitere Ausg.: Erscheint auch als Druck-Ausgabe ISBN 978-3-96009-153-0

Sprache: Deutsch

Fachgebiete: Informatik , Mathematik , Medizin

Schlagwort(e): Data Science ; Big Data ; Statistik ; Datenanalyse ; Data Mining ; Datenanalyse ; R ; Python

UID:

Umfang: XV, 356 Seiten : , Illustrationen, Diagramme ; , 24 cm x 16.5 cm.

Ausgabe: 1. Auflage

ISBN: 978-3-96009-153-0 , 3-96009-153-2

Originaltitel: Practical statistics for data scientists

Inhalt: Statistische Methoden sind ein zentraler Bestandteil der Arbeit mit Daten, doch nur wenige Data Scientists haben eine formale statistische Ausbildung. In Kursen und Büchern werden die Grundlagen der Statistik allerdings selten aus der Sicht von Data Scientists behandelt. Dieses praxisorientierte Handbuch erklärt Ihnen anhand zahlreicher Beispiele in Python und R, wie Sie verschiedene statistische Methoden speziell in den Datenwissenschaften anwenden. Das Buch erläutert, welche statistischen Konzepte für die Datenwissenschaften besonders relevant sind, und zeigt Ihnen auch, wie Sie den falschen Gebrauch von statistischen Verfahren vermeiden. Wenn Sie mit R oder Python vertraut sind, ermöglicht Ihnen diese gut lesbare Referenz ein tieferes Verständnis Ihrer Daten und Sie werden Ihr Statistikwissen für die Praxis deutlich ausbauen.

Anmerkung: Auf dem Umschlag: "Übersetzung der 2. Auflage"

Weitere Ausg.: Parallele Sprachausgabe Bruce, Peter Practical statistics for data scientists

Weitere Ausg.: Erscheint auch als Online-Ausgabe, PDF ISBN 978-3-96010-467-4

Weitere Ausg.: Erscheint auch als Online-Ausgabe, EPUB ISBN 978-3-96010-468-1

Weitere Ausg.: Erscheint auch als Online-Ausgabe, MOBI ISBN 978-3-96010-469-8

Sprache: Deutsch

Fachgebiete: Informatik , Mathematik , Medizin

Schlagwort(e): Data Science ; Big Data ; Statistik ; Datenanalyse ; Data Mining ; Datenanalyse ; R ; Python

URL: Inhaltstext

URL: Inhaltsverzeichnis

URL: Inhaltstext

URL: Inhaltsverzeichnis

URL: https://dpunkt.de/produkt/praktische-statistik-fuer-data-scientists/

URL: Inhaltstext

URL: Inhaltsverzeichnis

UID:

Umfang: 1 online resource (374 pages)

ISBN: 9783960104674

Anmerkung: Intro -- Inhalt -- Vorwort -- Kapitel 1: Explorative Datenanalyse -- Strukturierte Datentypen -- Weiterführende Literatur -- Tabellarische Daten -- Data Frames und Tabellen -- Nicht tabellarische Datenstrukturen -- Weiterführende Literatur -- Lagemaße -- Mittelwert -- Median und andere robuste Lagemaße -- Beispiel: Lagemaße für Einwohnerzahlen und Mordraten -- Weiterführende Literatur -- Streuungsmaße -- Standardabweichung und ähnliche Maße -- Streuungsmaße auf Basis von Perzentilen -- Beispiel: Streuungsmaße für die Einwohnerzahlen der Bundesstaaten in den USA -- Weiterführende Literatur -- Exploration der Datenverteilung -- Perzentile und Box-Plots -- Häufigkeitstabellen und Histogramme -- Dichtediagramme und -schätzer -- Weiterführende Literatur -- Binäre und kategoriale Daten untersuchen -- Modus -- Erwartungswert -- Wahrscheinlichkeiten -- Weiterführende Literatur -- Korrelation -- Streudiagramme -- Weiterführende Literatur -- Zwei oder mehr Variablen untersuchen -- Hexagonal-Binning- und Konturdiagramme (Diagramme für mehrere numerische Variablen) -- Zwei kategoriale Variablen -- Kategoriale und numerische Variablen -- Mehrere Variablen visualisieren -- Weiterführende Literatur -- Zusammenfassung -- Kapitel 2: Daten- und Stichprobenverteilungen -- Zufallsstichprobenziehung und Stichprobenverzerrung -- Verzerrung -- Zufallsauswahl -- Größe versus Qualität: Wann spielt die Stichprobengröße eine Rolle? -- Unterschied zwischen dem Stichproben- und dem Populationsmittelwert -- Weiterführende Literatur -- Auswahlverzerrung -- Regression zur Mitte -- Weiterführende Literatur -- Stichprobenverteilung einer statistischen Größe -- Zentraler Grenzwertsatz -- Standardfehler -- Weiterführende Literatur -- Bootstrap-Verfahren -- Unterschiede zwischen Resampling und dem Bootstrap-Verfahren -- Weiterführende Literatur -- Konfidenzintervalle , Weiterführende Literatur -- Normalverteilung -- Standardnormalverteilung und Q-Q-Diagramme -- Verteilungen mit langen Verteilungsenden -- Weiterführende Literatur -- Studentsche t-Verteilung -- Weiterführende Literatur -- Binomialverteilung -- Weiterführende Literatur -- Chi-Quadrat-Verteilung -- Weiterführende Literatur -- F-Verteilung -- Weiterführende Literatur -- Poisson- und verwandte Verteilungen -- Poisson-Verteilung -- Exponentialverteilung -- Die Hazardrate schätzen -- Weibull-Verteilung -- Weiterführende Literatur -- Zusammenfassung -- Kapitel 3: Statistische Versuche und Signifikanztests -- A/B-Test -- Warum eine Kontrollgruppe nutzen? -- Warum lediglich A/B? Warum nicht auch C, D usw.? -- Weiterführende Literatur -- Hypothesentests -- Die Nullhypothese -- Die Alternativhypothese -- Einseitige und zweiseitige Hypothesentests -- Weiterführende Literatur -- Resampling -- Permutationstest -- Beispiel: Die Affinität von Nutzern zu einem Webinhalt messen (Web-Stickiness) -- Exakte und Bootstrap-Permutationstests -- Permutationstests: ein geeigneter Ausgangspunkt in der Data Science -- Weiterführende Literatur -- Statistische Signifikanz und p-Werte -- p-Wert -- Signifikanzniveau -- Fehler 1. und 2. Art -- Data Science und p-Werte -- Weiterführende Literatur -- t-Tests -- Weiterführende Literatur -- Testen mehrerer Hypothesen -- Weiterführende Literatur -- Die Anzahl der Freiheitsgrade -- Weiterführende Literatur -- Varianzanalyse (ANOVA) -- F-Statistik -- Zweifaktorielle Varianzanalyse -- Weiterführende Literatur -- Chi-Quadrat-Test -- Chi-Quadrat-Test: ein Resampling-Ansatz -- Chi-Quadrat-Test: die statistische Theorie -- Exakter Test nach Fisher -- Relevanz in der Data Science -- Weiterführende Literatur -- Mehrarmige Banditen -- Weiterführende Literatur -- Trennschärfe und Stichprobengröße -- Stichprobengröße -- Weiterführende Literatur , Zusammenfassung -- Kapitel 4: Regression und Vorhersage -- Lineare Einfachregression -- Die Regressionsgleichung -- Angepasste Werte und Residuen -- Die Methode der kleinsten Quadrate -- Unterschied zwischen Vorhersage- und erklärenden Modellen -- Weiterführende Literatur -- Multiple lineare Regression -- Beispiel: Die King-County-Immobiliendaten -- Das Modell bewerten -- Kreuzvalidierung -- Modellauswahl und schrittweise Regression -- Gewichtete Regression -- Weiterführende Literatur -- Vorhersage mittels Regression -- Risiken bei der Extrapolation -- Konfidenz- und Prognoseintervalle -- Regression mit Faktorvariablen -- Darstellung durch Dummy-Variablen -- Faktorvariablen mit vielen Stufen -- Geordnete Faktorvariablen -- Interpretieren der Regressionsgleichung -- Korrelierte Prädiktorvariablen -- Multikollinearität -- Konfundierende Variablen -- Interaktions- und Haupteffekte -- Regressionsdiagnostik -- Ausreißer -- Einflussreiche Beobachtungen -- Heteroskedastische, nicht normalverteilte und korrelierte Fehler -- Partielle Residuendiagramme und Nichtlinearität -- Polynomiale und Spline-Regression -- Polynome -- Splines -- Verallgemeinerte additive Modelle -- Weiterführende Literatur -- Zusammenfassung -- Kapitel 5: Klassifikation -- Naiver Bayes-Klassifikator -- Warum eine exakte bayessche Klassifikation nicht praktikabel ist -- Die naive Lösung -- Numerische Prädiktorvariablen -- Weiterführende Literatur -- Diskriminanzanalyse -- Kovarianzmatrix -- Lineare Diskriminanzanalyse nach Fisher -- Ein einfaches Beispiel -- Weiterführende Literatur -- Logistische Regression -- Logistische Antwortfunktion und Logit-Funktion -- Logistische Regression und verallgemeinerte lineare Modelle -- Verallgemeinerte lineare Modelle -- Vorhergesagte Werte aus der logistischen Regression -- Interpretation der Koeffizienten und Odds-Ratios , Lineare und logistische Regression: Gemeinsamkeiten und Unterschiede -- Das Modell prüfen und bewerten -- Weiterführende Literatur -- Klassifikationsmodelle bewerten -- Konfusionsmatrix -- Die Problematik seltener Kategorien -- Relevanz, Sensitivität und Spezifität -- ROC-Kurve -- Fläche unter der ROC-Kurve (AUC) -- Lift -- Weiterführende Literatur -- Strategien bei unausgewogenen Daten -- Undersampling -- Oversampling und Up/Down Weighting -- Generierung von Daten -- Kostenbasierte Klassifikation -- Die Vorhersagen untersuchen -- Weiterführende Literatur -- Zusammenfassung -- Kapitel 6: Statistisches maschinelles Lernen -- K-Nächste-Nachbarn -- Ein kleines Beispiel: Vorhersage von Kreditausfällen -- Distanzmaße -- 1-aus-n-Codierung -- Standardisierung (Normierung, z-Werte) -- K festlegen -- KNN zur Merkmalskonstruktion -- Baummodelle -- Ein einfaches Beispiel -- Der Recursive-Partitioning-Algorithmus -- Homogenität und Unreinheit messen -- Den Baum daran hindern, weiterzuwachsen -- Vorhersage eines kontinuierlichen Werts -- Wie Bäume verwendet werden -- Weiterführende Literatur -- Bagging und Random Forests -- Bagging -- Random Forest -- Variablenwichtigkeit -- Hyperparameter -- Boosting -- Der Boosting-Algorithmus -- XGBoost -- Regularisierung: Überanpassung vermeiden -- Hyperparameter und Kreuzvalidierung -- Zusammenfassung -- Kapitel 7: Unüberwachtes Lernen -- Hauptkomponentenanalyse -- Ein einfaches Beispiel -- Die Hauptkomponenten berechnen -- Die Hauptkomponenten interpretieren -- Korrespondenzanalyse -- Weiterführende Literatur -- K-Means-Clustering -- Ein einfaches Beispiel -- Der K-Means-Algorithmus -- Die Cluster interpretieren -- Die Anzahl von Clustern bestimmen -- Hierarchische Clusteranalyse -- Ein einfaches Beispiel -- Das Dendrogramm -- Der agglomerative Algorithmus -- Ähnlichkeitsmaße -- Modellbasierte Clusteranalyse , Multivariate Normalverteilung -- Zusammengesetzte Normalverteilungen (gaußsche Mischverteilungen) -- Die Anzahl der Cluster bestimmen -- Weiterführende Literatur -- Skalierung und kategoriale Variablen -- Variablen skalieren -- Dominierende Variablen -- Kategoriale Daten und die Gower-Distanz -- Probleme bei der Clusteranalyse mit verschiedenen Datentypen -- Zusammenfassung -- Quellenangaben -- Index

Weitere Ausg.: Print version: Bruce, Peter Praktische Statistik für Data Scientists Heidelberg : o'Reilly,c2021 ISBN 9783960091530

Schlagwort(e): Electronic books.

URL: https://ebookcentral.proquest.com/lib/th-brandenburg/detail.action?docID=6551753

URL: https://static.onleihe.de/content/bookwire_nat/20210416/9783960104674/v9783960104674.pdf

URL: https://static.onleihe.de/images/bookwire_nat/20210416/9783960104674/tn9783960104674l.jpg

URL: https://voebb.onleihe.de/berlin/frontend/mediaInfo,51-0-1507875197-100-0-0-0-0-0-0-0.html

UID:

Umfang: XV, 356 Seiten , Illustrationen, Diagramme , 24 cm x 16.5 cm

Ausgabe: 1. Auflage

ISBN: 9783960091530 , 3960091532

Originaltitel: Practical statistics for data scientists

Inhalt: Statistische Methoden sind ein zentraler Bestandteil der Arbeit mit Daten, doch nur wenige Data Scientists haben eine formale statistische Ausbildung. In Kursen und Büchern werden die Grundlagen der Statistik allerdings selten aus der Sicht von Data Scientists behandelt. Dieses praxisorientierte Handbuch erklärt Ihnen anhand zahlreicher Beispiele in Python und R, wie Sie verschiedene statistische Methoden speziell in den Datenwissenschaften anwenden. Das Buch erläutert, welche statistischen Konzepte für die Datenwissenschaften besonders relevant sind, und zeigt Ihnen auch, wie Sie den falschen Gebrauch von statistischen Verfahren vermeiden. Wenn Sie mit R oder Python vertraut sind, ermöglicht Ihnen diese gut lesbare Referenz ein tieferes Verständnis Ihrer Daten und Sie werden Ihr Statistikwissen für die Praxis deutlich ausbauen.

Anmerkung: Auf dem Umschlag: "Übersetzung der 2. Auflage"

Weitere Ausg.: Parallele Sprachausgabe Bruce, Peter Practical statistics for data scientists

Weitere Ausg.: Erscheint auch als Online-Ausgabe, PDF ISBN 978-3-96010-467-4

Weitere Ausg.: Erscheint auch als Online-Ausgabe, EPUB ISBN 978-3-96010-468-1

Weitere Ausg.: Erscheint auch als Online-Ausgabe, MOBI ISBN 978-3-96010-469-8

Sprache: Deutsch

Fachgebiete: Informatik , Mathematik , Medizin

Schlagwort(e): Data Science ; Big Data ; Statistik ; Datenanalyse ; Data Mining ; Datenanalyse ; R ; Python

URL: Inhaltstext

URL: Inhaltsverzeichnis

UID:

ISBN: 9783960104674 , 9783960104681

Inhalt: "Statistische Konzepte aus der Perspektive von Data Scientists erläutert Das Buch stellt die Verbindung zwischen nützlichen statistischen Prinzipien und der heutigen Datenanalyse-Praxis her Ermöglicht Data Scientists, ihr Wissen über Statistik auf ein neues Level zu bringen Übersetzung der 2. Auflage des US-Bestsellers mit Beispielen in Python und RStatistische Methoden sind ein zentraler Bestandteil der Arbeit mit Daten, doch nur wenige Data Scientists haben eine formale statistische Ausbildung. In Kursen und Büchern über die Grundlagen der Statistik wird das Thema aber selten aus der Sicht von Data Scientists behandelt. Viele stellen daher fest, dass ihnen eine tiefere statistische Perspektive auf ihre Daten fehlt. Dieses praxisorientierte Handbuch mit zahlreichen Beispielen in Python und R erklärt Ihnen, wie Sie verschiedene statistische Methoden speziell in den Datenwissenschaften anwenden. Es zeigt Ihnen auch, wie Sie den falschen Gebrauch von statistischen Methoden vermeiden können, und gibt Ratschläge, welche statistischen Konzepte für die Datenwissenschaften besonders relevant sind. Wenn Sie mit R oder Python vertraut sind, ermöglicht diese zugängliche, gut lesbare Referenz es Ihnen, Ihr statistisches Wissen für die Praxis deutlich auszubauen. "

Inhalt: Biographisches: "Peter Bruce ist Gründer des Institute for Statistics Education bei Statistics.com. Andrew Bruce ist Principal Research Scientist bei Amazon und verfügt über mehr als 30 Jahre Erfahrung in Statistik und Data Science. Peter Gedeck ist Senior Data Scientist bei Collaborative Drug Discovery, er entwickelt Machine-Learning-Algorithmen für die Vorhersage von Eigenschaften von Arzneimittelkandidaten."

Sprache: Deutsch

URL: https://img1.od-cdn.com/ImageType-200/6251-1/{0DD1EEEC-C8B5-4E12-890A-43382AE61934}Img200.jpg

URL: https://img1.od-cdn.com/ImageType-150/6251-1/0DD/1EE/EC/{0DD1EEEC-C8B5-4E12-890A-43382AE61934}Img150.jpg

URL: https://samples.overdrive.com/?crid=0dd1eeec-c8b5-4e12-890a-43382ae61934&.epub-sample.overdrive.com

URL: https://api.overdrive.com/v1/collections/v1L1BBQ0AAA2_/products/0dd1eeec-c8b5-4e12-890a-43382ae61934/metadata

URL: http://voebb.lib.overdrive.com/ContentDetails.htm?ID=0DD1EEEC-C8B5-4E12-890A-43382AE61934

UID:

Ausgabe: Übersetzung der 2. Auflage

ISBN: 9783960104674

Weitere Ausg.: ISBN 9783960091530

Sprache: Deutsch

URL: Volltext

UID:

Ausgabe: Übersetzung der 2. Auflage

ISBN: 9783960104674

Weitere Ausg.: ISBN 9783960091530

Sprache: Deutsch

URL: Volltext

UID:

Umfang: 1 Online-Ressource (XV, 356 Seiten) , Illustrationen, Diagramme

Ausgabe: 1. Auflage

ISBN: 9783960104674 , 9783960104681 , 9783960104698

Originaltitel: Practical statistics for data scientists

Inhalt: Statistische Konzepte aus der Perspektive von Data Scientists erläutert Das Buch stellt die Verbindung zwischen nützlichen statistischen Prinzipien und der heutigen Datenanalyse-Praxis her Ermöglicht Data Scientists, ihr Wissen über Statistik auf ein neues Level zu bringen Übersetzung der 2. Auflage des US-Bestsellers mit Beispielen in Python und R Statistische Methoden sind ein zentraler Bestandteil der Arbeit mit Daten, doch nur wenige Data Scientists haben eine formale statistische Ausbildung. In Kursen und Büchern über die Grundlagen der Statistik wird das Thema aber selten aus der Sicht von Data Scientists behandelt. Viele stellen daher fest, dass ihnen eine tiefere statistische Perspektive auf ihre Daten fehlt.Dieses praxisorientierte Handbuch mit zahlreichen Beispielen in Python und R erklärt Ihnen, wie Sie verschiedene statistische Methoden speziell in den Datenwissenschaften anwenden. Es zeigt Ihnen auch, wie Sie den falschen Gebrauch von statistischen Methoden vermeiden können, und gibt Ratschläge, welche statistischen Konzepte für die Datenwissenschaften besonders relevant sind. Wenn Sie mit R oder Python vertraut sind, ermöglicht diese zugängliche, gut lesbare Referenz es Ihnen, Ihr statistisches Wissen für die Praxis deutlich auszubauen.

Weitere Ausg.: ISBN 9783960091530

Weitere Ausg.: Erscheint auch als Druckausgabe Bruce, Peter C., 1953 - Praktische Statistik für Data Scientists Heidelberg : O'Reilly, 2021 ISBN 9783960091530

Weitere Ausg.: ISBN 3960091532

Sprache: Deutsch

Fachgebiete: Informatik

Schlagwort(e): Data Science ; Big Data ; Statistik ; Datenanalyse ; R ; Python

URL: lizenzpflichtig

URL: lizenzpflichtig

URL: lizenzpflichtig

URL: lizenzpflichtig

URL: Cover