Search

In uralten Spielen wie Schach oder Go können sich die brillantesten Spieler verbessern, indem sie die von einer Maschine produzierten Strategien studieren. Robotische Systeme üben ihre Bewegungen selbst. In Arcade Games erreichen lernfähige Agenten innerhalb weniger Stunden übermenschliches Niveau. Wie funktionieren diese spektakulären Algorithmen des bestärkenden Lernens? Mit gut verständlichen Erklärungen und übersichtlichen Beispielen in Java und Greenfoot können Sie sich die Prinzipien des bestärkenden Lernens aneignen und in eigenen intelligenten Agenten anwenden. Greenfoot (M.Kölling, King's College London) und das Hamster-Modell (D.Bohles, Universität Oldenburg) sind einfache, aber auch mächtige didaktische Werkzeuge, die entwickelt wurden, um Grundkonzepte der Programmierung zu vermitteln. Wir werden Figuren wie den Java-Hamster zu lernfähigen Agenten machen, die eigenständig ihre Umgebung erkunden. Die zweite Auflage enthält neue Themen wie'Genetische Algorithmen'und'Künstliche Neugier'sowie Erklärungen zu aktuellen Algorithmen wie A3C und PPO (wurde u.a. für das Finetuning von ChatGPT verwendet), außerdem Korrekturen und Überarbeitungen.

Data Mining liefert Grundlagen für die Künstliche Intelligenz, indem es Technologien für die Analyse großer Datenmengen bereitstellt. Das Buch deckt den Stoff einer einsemestrigen Vorlesung an Universitäten oder Fachhochschulen ab und ist als klassisches Lehrbuch konzipiert. Es bietet eine Einführung in die wesentlichen Anwendungsgebiete und behandelt die zugehörigen Algorithmen. Die Beispiele und Aufgaben können mit frei verfügbaren Werkzeugen bearbeitet werden. Die vierte Auflage enthält inhaltliche Erweiterungen und Aktualisierungen.

Die erste Adresse für die Analyse von Daten mit Python - Das Standardwerk in der 3. Auflage, aktualisiert auf Python 3.10 und pandas 1.4 - Versorgt Sie mit allen praktischen Details und mit wertvollem Insiderwissen, um Datenanalysen mit Python erfolgreich durchzuführen - Mit Jupyter-Notebooks für alle Codebeispiele aus jedem KapitelErfahren Sie alles über das Manipulieren, Bereinigen, Verarbeiten und Aufbereiten von Datensätzen mit Python: Aktualisiert auf Python 3.10, zeigt Ihnen dieses konsequent praxisbezogene Buch anhand konkreter Fallbeispiele, wie Sie eine Vielzahl von typischen Datenanalyse-Problemen effektiv lösen. Gleichzeitig lernen Sie die neuesten Versionen von pandas, NumPy, IPython und Jupyter kennen. Geschrieben von Wes McKinney, dem Begründer des pandas-Projekts, bietet'Datenanalyse mit Python'einen praktischen Einstieg in die Data-Science-Tools von Python. Das Buch eignet sich sowohl für Datenanalysten, für die Python Neuland ist, als auch für Python-Programmierer, die sich in Data Science und Scientific Computing einarbeiten wollen. Daten und zugehöriges Material des Buchs sind auf GitHub verfügbar.

Dieses Buch bietet einen Überblick über Data-Mining-Methoden, die durch Software veranschaulicht werden. Beim Wissensmanagement geht es um die Anwendung von menschlichem Wissen (Erkenntnistheorie) mit den technologischen Fortschritten unserer heutigen Gesellschaft (Computersysteme) und Big Data, sowohl bei der Datenerfassung als auch bei der Datenanalyse. Es gibt drei Arten von Analyseinstrumenten. Die deskriptive Analyse konzentriert sich auf Berichte über das, was passiert ist. Bei der prädiktiven Analyse werden statistische und/oder künstliche Intelligenz eingesetzt, um Vorhersagen treffen zu können. Dazu gehört auch die Modellierung von Klassifizierungen. Die diagnostische Analytik kann die Analyse von Sensoreingaben anwenden, um Kontrollsysteme automatisch zu steuern. Die präskriptive Analytik wendet quantitative Modelle an, um Systeme zu optimieren oder zumindest verbesserte Systeme zu identifizieren. Data Mining umfasst deskriptive und prädiktive Modellierung. Operations Research umfasst alle drei Bereiche. Dieses Buch konzentriert sich auf die deskriptive Analytik.Das Buch versucht, einfache Erklärungen und Demonstrationen einiger deskriptiver Werkzeuge zu liefern. Es bietet Beispiele für die Auswirkungen von Big Data und erweitert die Abdeckung von Assoziationsregeln und Clusteranalysen. Kapitel 1 gibt einen Überblick im Kontext des Wissensmanagements. Kapitel 2 erörtert einige grundlegende Softwareunterstützung für die Datenvisualisierung. Kapitel 3 befasst sich mit den Grundlagen der Warenkorbanalyse, und Kapitel 4 demonstriert die RFM-Modellierung, ein grundlegendes Marketing-Data-Mining-Tool. Kapitel 5 demonstriert das Assoziationsregel-Mining. Kapitel 6 befasst sich eingehender mit der Clusteranalyse. Kapitel 7 befasst sich mit der Link-Analyse. Die Modelle werden anhand geschäftsbezogener Daten demonstriert. Der Stil des Buches ist beschreibend und versucht zu erklären, wie die Methoden funktionieren, mit einigen Zitaten, aber ohne tiefgehende wissenschaftliche Referenzen. Die Datensätze und die Software wurden so ausgewählt, dass sie für jeden Leser, der über einen Computeranschluss verfügt, weithin verfügbar und zugänglich sind.

Künstliche Intelligenz berührt fast jeden Teil Ihres Alltags. Auch wenn Sie auf den ersten Blick annehmen, dass Technologien wie intelligente Lautsprecher und digitale Assistenten das Ausmaß dieser Technologie darstellen, hat sich KI in der Tat schnell zu einer Allzwecktechnologie entwickelt, die in Branchen wie dem Transportwesen, dem Gesundheitswesen, den Finanzdienstleistungen und vielen mehr Einzug gehalten hat. In unserer modernen Zeit ist ein Verständnis von KI und ihren Möglichkeiten für Ihr Unternehmen unerlässlich für Wachstum und Erfolg.Grundlagen der Künstlichen Intelligenz ist da, um Ihnen ein grundlegendes, zeitgemäßes Verständnis von KI und ihren Auswirkungen zu vermitteln. Der Autor Tom Taulli bietet eine ansprechende, nicht-technische Einführung in wichtige Konzepte wie maschinelles Lernen, Deep Learning, natürliche Sprachverarbeitung (NLP), Robotik und mehr. Taulli führt Sie nicht nur durch reale Fallstudien und praktische Implementierungsschritte, sondern nutzt sein Fachwissen auch, um auf die größeren Fragen einzugehen, die KI umgeben. Dazu gehören gesellschaftliche Trends, ethische Fragen und die zukünftigen Auswirkungen von KI auf Regierungen, Unternehmensstrukturen und das tägliche Leben.Google, Amazon, Facebook und ähnliche Tech-Giganten sind bei weitem nicht die einzigen Unternehmen, auf die künstliche Intelligenz eine unglaublich bedeutende Auswirkung hat - und weiterhin haben wird. KI ist die Gegenwart und die Zukunft Ihres Unternehmens und Ihres Privatlebens. Die Vertiefung Ihrer Kenntnisse in diesem Bereich ist von unschätzbarem Wert für Ihre Vorbereitung auf die Zukunft der Technik, und Grundlagen der Künstlichen Intelligenz ist der unverzichtbare Leitfaden, nach dem Sie gesucht haben.Was Sie lernen werdenStudium der Grundprinzipien für KI-Ansätze wie maschinelles Lernen, Deep Learning und NLP (Natural Language Processing)Entdecken Sie die besten Praktiken zur erfolgreichen Implementierung von KI anhand von Fallstudien wie Uber, Facebook, Waymo, UiPath und Stitch FixVerstehen Sie, wie KI-Funktionen für Roboter das Geschäft verbessern könnenEinsatz von Chatbots und Robotic Processing Automation (RPA) zur Kosteneinsparung und Verbesserung des KundendienstesVermeiden Sie kostspielige StolpersteineErkennen von ethischen Bedenken und anderen Risikofaktoren beim Einsatz künstlicher IntelligenzUntersuchen Sie langanhaltende Trends und wie sie sich auf Ihr Unternehmen auswirken könnenFür wen dieses Buch bestimmt istLeser ohne technischen Hintergrund, z. B. Manager, die KI verstehen und Lösungen bewerten wollen.Dieses Buch stellt die Übersetzung der englischsprachigen Originalausgabe dar. Die Übersetzung wurde mit Hilfe von künstlicher Intelligenz erstellt (maschinelle Übersetzung mit DeepL.com). Eine anschließende manuelle Überarbeitung erfolgte vor allem nach inhaltlichen Gesichtspunkten, so dass das Buch stilistisch von einer herkömmlichen Übersetzung abweichen kann.

Sind Algorithmen Freund oder Feind?Der menschliche Verstand ist evolutionär darauf ausgelegt, Abkürzungen zu nehmen, um zu überleben. Wir ziehen voreilige Schlüsse, weil unser Gehirn uns in Sicherheit wiegen will. Die meisten unserer Voreingenommenheiten wirken sich zu unseren Gunsten aus, z. B. wenn wir ein Auto, das in unsere Richtung fährt, für gefährlich halten und sofort ausweichen oder wenn wir beschließen, einen Bissen Essen nicht zu essen, der verdorben zu sein scheint. Allerdings wirken sich inhärente Vorurteile negativ auf das Arbeitsumfeld und die Entscheidungsfindung in unseren Gemeinschaften aus. Zwar wird mit der Entwicklung von Algorithmen und maschinellem Lernen versucht, Voreingenommenheit zu beseitigen, doch werden sie schließlich von Menschen geschaffen und sind daher anfällig für das, was wir algorithmische Voreingenommenheit nennen.In Understand, Manage, and Prevent Algorithmic Bias (Algorithmische Voreingenommenheit verstehen, handhaben und verhindern) hilft Ihnen der Autor Tobias Baer zu verstehen, woher algorithmische Voreingenommenheit kommt, wie man sie als Geschäftsanwender oder Regulierungsbehörde handhaben kann und wie die Datenwissenschaft verhindern kann, dass Voreingenommenheit in statistische Algorithmen einfließt. Baer befasst sich fachkundig mit einigen der mehr als 100 Arten natürlicher Verzerrungen wie Confirmation Bias, Stability Bias, Pattern Recognition Bias und vielen anderen. Algorithmische Verzerrungen spiegeln diese menschlichen Tendenzen wider und haben ihren Ursprung in ihnen. Baer befasst sich mit so unterschiedlichen Themen wie der Erkennung von Anomalien, hybriden Modellstrukturen und selbstverbesserndem maschinellen Lernen.Während sich die meisten Schriften über algorithmische Voreingenommenheit auf die Gefahren konzentrieren, weist der Kern dieses positiven, unterhaltsamen Buches auf einen Weg hin, auf dem Voreingenommenheit in Schach gehalten und sogar beseitigt werden kann. Sie erhalten Managementtechniken, um unvoreingenommene Algorithmen zu entwickeln, die Fähigkeit, Voreingenommenheit schneller zu erkennen, und das Wissen, um unvoreingenommene Daten zu erstellen. Algorithmic Bias verstehen, verwalten und verhindern ist ein innovatives, zeitgemäßes und wichtiges Buch, das in Ihr Regal gehört. Egal, ob Sie eine erfahrene Führungskraft in der Wirtschaft, ein Datenwissenschaftler oder einfach nur ein Enthusiast sind, jetzt ist ein entscheidender Zeitpunkt, um sich über die Auswirkungen algorithmischer Verzerrungen auf die Gesellschaft zu informieren und eine aktive Rolle im Kampf gegen Verzerrungen zu übernehmen.Was Sie lernen werdenUntersuchung der vielen Quellen algorithmischer Verzerrungen, einschließlich kognitiver Verzerrungen in der realen Welt, verzerrter Daten und statistischer ArtefakteVerstehen Sie die Risiken algorithmischer Verzerrungen, wie sie erkannt werden können und welche Managementtechniken es gibt, um sie zu verhindern oder zu verwaltenErkennen, wie maschinelles Lernen sowohl neue Quellen für algorithmische Verzerrungen schafft als auch ein Teil der Lösung sein kannKenntnis spezifischer statistischer Techniken, die ein Datenwissenschaftler anwenden kann, um algorithmische Verzerrungen zu erkennen und zu beseitigenFür wen dieses Buch gedacht istFührungskräfte von Unternehmen, die Algorithmen im täglichen Betrieb einsetzen; Datenwissenschaftler (von Studenten bis hin zu erfahrenen Praktikern), die Algorithmen entwickeln; Compliance-Beamte, die über algorithmische Verzerrungen besorgt sind; Politiker, Journalisten und Philosophen, die über algorithmische Verzerrungen im Hinblick auf ihre Auswirkungen auf die Gesellschaft und mögliche regulatorische Maßnahmen nachdenken; und Verbraucher, die darüber besorgt sind, wie sie von algorithmischen Verzerrungen betroffen sein könnten

Knowledge Science beschäftigt sich mit Konzepten, Methoden und Prozessen zur systematischen Erzeugung, Extraktion, Speicherung und Bereitstellung von Wissen zur Lösung von Problemen und lässt sich somit dem Wissensmanagement zuordnen. Kognitive Assistenten sorgen dafür, das richtige Wissen zur richtigen Zeit in der richtigen Art und Weise seinen Anwendern und Anwenderinnen bereitzustellen. Damit dies gelingen kann, kommen inzwischen zahlreiche Methoden der Künstlichen Intelligenz (KI) zur Unterstützung unterschiedlicher Aufgaben des Wissensmanagements zum Einsatz.

Für Leser, die bereits die Grundlagen der Wissensverarbeitung und Computernetzwerke beherrschen, gibt das Buch einen Überblick über innovative Verfahren, die die automatisierte Suche, Recherche, Klassifikation und Verwaltung von Texten im Kontext dezentraler Systeme und vor allem im WWW erlauben. Besondere Aufmerksamkeit wird dabei auf eine personalisierte Verarbeitung gerichtet, die auch zeitliche Aspekte, wie z. B. das digitale Vergessen, einbeziehen. An vielen Stellen werden auf interessante und neuartige Art und Weise Analogien aus anderen Wissensgebieten, so z. B. zur Verarbeitung von Informationen und zum Lernen im menschlichen Gehirn sowie der Natur schlechthin genutzt.

Wertschöpfung aus Big Data ist in Zeiten eines stetig wachsenden Informationsbedürfnisses zu einer zentralen Aufgabe in vielen Wirtschaftsbereichen geworden. Text- und Data- Mining Analysen können Unternehmen helfen sich einen Wettbewerbsvorsprung zu sichern. Mit dem Inkrafttreten der DSM-Richtlinie und der Schranke des § 44b UrhG regelt das Urheberrecht nun erstmals das kommerzielle Text- und Data- Mining umfassend. Der Gesetzgeber versucht so den Anschluss an eine rasante technische Entwicklung herzustellen. Anlass genug für den Autor der Frage nachzugehen, ob es dem Gesetzgeber gelungen ist ein rechtssicheres Umfeld für das Text- und Data-Mining im europäischen Binnenmarkt zu schaffen. Dabei werden auch Defizite offenbart und Vorschläge gemacht, wie durch eine techniksensiblere Regulierung identifizierten Problemen abgeholfen werden könnte.

Data Science praxisnah erklärt Praxisnaher Einstieg mit anschaulichen Erklärungen und zahlreichen Anwendungsbeispielen, unterstützt durch interaktive Elemente für alle, die mehr über die Möglichkeiten der Datenanalyse lernen wollen, ohne gleich tief in die Theorie oder bestimmte Methoden einzusteigen Dieses Buch bietet einen praxisnahen Einstieg in Data Science, angereichert mit interaktiven Elementen, der die Breite der Möglichkeiten der Datenanalyse aufzeigt und tief genug geht, um Vorteile, Nachteile und Risiken zu verstehen, aber dennoch nicht zu tief in die zugrunde liegende Mathematik einsteigt. Es wird nicht nur erklärt, wofür wichtige Begriffe wie Big Data, machinelles Lernen oder Klassifikation stehen, sondern auch anschaulich mit zahlreichen Beispielen aufgezeigt, wie Daten analysiert werden. Ein breiter Überblick über Analysemethoden vermittelt das nötige Wissen, um in eigenen Projekten geeignete Methoden auszuwählen und anzuwenden, um das gewünschte Ergebnis zu erreichen.Der benötigte Python-Quelltext, der z.B. zur Durchführung von Analysen oder zur Erstellung von Visualisierungen verwendet wird, ist in Form von Jupyter-Notebooks frei verfügbar.

Die Datenwissenschaften beschäftigen sich mit der Analyse großer, komplexer Datenmengen und erregen damit im Kontext der Digitalisierung hohe mediale und politische Aufmerksamkeit. Philippe Saner untersucht die Entstehung dieses transversalen Wissensfeldes um Big Data mit einem feldtheoretischen Zugang. Er legt dar, dass es sich um ein feldübergreifendes Netzwerk von Expertisen handelt, das durch unterschiedliche Interessen, Strategien und Machtverhältnisse strukturiert ist. Die Datenwissenschaften eröffnen so einen durchlässigen Raum, der für Akteur•innen aus etablierten Feldern wie Wissenschaft, Wirtschaft, Hochschulbildung und Politik lukrative Möglichkeiten eröffnet.

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.

In der vorliegenden Arbeit wird die Datenqualität eines Forschungsinformationssystems (FIS) bzw. deren Einfluss auf die Nutzerakzeptanz ganzheitlich untersucht. Otmane Azeroual entwickelt hierfür ein Konzept bzw. ein Framework zur Überwachung und Verbesserung der Datenqualität, um die Akzeptanz des FIS zu erhöhen.

Der ideale Einstieg in Data Science für Praktiker! Ob mit oder ohne Mathematikkenntnisse – Sie bekommen hier den Rundumblick, den Sie für Ihre Projekte brauchen. So heben Sie den Schatz, den Daten darstellen können, wenn man sie richtig befragt. Sie lernen die einschlägigen Analysemethoden kennen, bekommen eine Einführung in die Programmiersprache R und erfahren, wie Sie maschinelles Lernen einsetzen. Und zwar inklusive dazugehöriger Werkzeuge wie Notebooks, die die Data-Science-Programmierung heutzutage so zugänglich machen.Und weil es mit der Technik allein nicht getan ist, geht das Buch auch auf Probleme der Projektdurchführung ein, beleuchtet verschiedene Anwendungsfelder und vergisst auch nicht, ethische Aspekte anzusprechen.Mit vielen Beispielen, Hinweisen für den Fehlerfall, Entscheidungshilfen und weiteren Praxistipps.Aus dem Inhalt:Erste Schritte mit R und RStudioGrundbegriffe der StatistikVorbereitung: Daten reinigen und transformierenk-Means ClusteringLineare und nichtlineare RegressionVorhersagen, Clustering, KlassifizierungTipps und Werkzeuge für alle ProjektphasenIhre Anwendung als REST-API bereitstellenKI und Maschinelles Lernen einsetzenAnomalieerkennung, Warenkorbanalyse und viele weitere AnwendungsfälleMachine Learning: Modelle richtig trainieren

Die Monetarisierung von Daten ist per se ein sehr junges Thema, zu dem es nur sehr vereinzelt Fallbeispiele gibt. Es fehlt an einer Strategie bzw. einem Konzept, das Führungskräften den Weg in die Monetarisierung von Daten zeigt, insbesondere jenen, die die Digitale Transformation bzw. Industrie 4.0 für sich entdeckt haben oder davon bedroht sind. Weil Maschinendaten meist unstrukturiert und ohne Domänenwissen/Metadaten nicht verwertbar sind, birgt die Monetarisierung von Maschinendaten ein noch nicht abschließend bewertbares Potenzial. Um dieses Potenzial greifbar zu machen, werden in diesem Werk neben Beiträgen aus der Wissenschaft auch Praxisbeispiele aus der Industrie beschrieben. Anhand von unterschiedlichen Beispielen aus diversen Branchen kann der Leser bereits heute Teil einer zukünftigen Datenökonomie werden. Mehrwerte und Nutzen werden konkret beschrieben.

Endlich STATA beherrschen Dieses Buch bietet eine leicht verständliche Einführung in das Statistikprogramm Stata und ermöglicht es den Leser:innen, sich das Programm selbstständig zu erarbeiten. Für die Datenanalyse erforderlichen Statistikkenntnisse werden soweit erläutert, wie es für das Verständnis notwendig ist, ohne umfassende Vorkenntnisse vorauszusetzen. Die wichtigsten statistischen Verfahren werden Schritt für Schritt, auch mithilfe von beschrifteten Screenshots, anschaulich erläutert und die Analysen mit realen Daten durchgeführt. Anhand von praktischen Beispielen können die Leser:innen alle Datenanalyseverfahren nachvollziehen. Zusätzlich können die Nutzer:innen Kenntnisse mit Hilfe von Übungsaufgaben mit Musterlösungen vertiefen. utb+: Begleitend zum Buch erhalten Leser:innen die im Buch verwendeten Datensätze, Fragebögen und Do-Files in unterschiedlichen Versionen zum Download.

Dieses Buch bietet einen Einstieg in das Thema Data Science auf Basis der visuellen Aufbereitung von Daten. Es hat ethische Betrachtungen in der digitalen Transformation zum Gegenstand und stellt ein Prozessrahmenwerk für die Bewertung von Technologien vor. Außerdem erläutert es Besonderheiten und Erkenntnisse zum Scheitern von Data-Science-Projekten und stellt Empfehlungssysteme unter Berücksichtigung aktueller Entwicklungen vor. Funktionalität zu Machine Learning in Werkzeugen zu Business Analytics wird verglichen und der Einsatz eines Vorgehensmodells für Data Science aufgezeigt.Die Integration erneuerbarer Energien am Beispiel von Photovoltaikanlagen, ein effizienterer Umgang mit Wärmeenergie, wissenschaftliche Literaturauswertung, Kundenzufriedenheit in der Automobilindustrie und ein Framework für die Analyse von Fahrzeugdaten dienen als Anwendungsbeispiele für den konkreten Einsatz von Data Science. Das Buch bietet wichtige Informationen, die für Praktiker ebenso relevant sind wie für Studierende und Lehrende.

Mit diesem Herausgeberwerk führen die Autoren den Begriff „Big Data Analytics“ ein und geben Fallstudien aus unterschiedlichen Anwendungsgebieten. Unter Big Data Analytics wird das Aufbereiten, Analysieren und Interpretieren von großen, oft heterogenen Datenbeständen verstanden, mit dem Ziel, Muster und Zusammenhänge in den Daten aufzudecken und Entscheidungsgrundlagen für wissenschaftliche, betriebliche oder gesellschaftliche Fragestellungen zu erhalten. Nebst den theoretischen Grundlagen widmet sich das Herausgeberwerk der Vielfalt verschiedener Anwendungsmöglichkeiten. Fallbeispiele geben Einblick in die Anwendung von Big Data Analytics und dessen Nutzenpotenziale. Das Werk richtet sich gleichermaßen an Studierende, Fachleute aller Fachrichtungen als auch an interessierte Anwender. Es hilft den Leserinnen und Leser, die Bedeutungsvielfalt des Begriffs Big Data Analytics zu verstehen und verschiedene Einsatzmöglichkeiten im eigenen Umfeld zu erkennen und zu bewerten.

Know-how für Data Scientists übersichtliche und anwendungsbezogene Einführung zahlreiche Anwendungsfälle und Praxisbeispiele aus unterschiedlichen Branchen Potenziale, aber auch mögliche Fallstricke werden aufgezeigt Data Science steht derzeit wie kein anderer Begriff für die Auswertung großer Datenmengen mit analytischen Konzepten des Machine Learning oder der künstlichen Intelligenz. Nach der bewussten Wahrnehmung der Big Data und dabei insbesondere der Verfügbarmachung in Unternehmen sind Technologien und Methoden zur Auswertung dort gefordert, wo klassische Business Intelligence an ihre Grenzen stößt. Dieses Buch bietet eine umfassende Einführung in Data Science und deren praktische Relevanz für Unternehmen. Dabei wird auch die Integration von Data Science in ein bereits bestehendes Business-Intelligence-Ökosystem thematisiert. In verschiedenen Beiträgen werden sowohl Aufgabenfelder und Methoden als auch Rollen- und Organisationsmodelle erläutert, die im Zusammenspiel mit Konzepten und Architekturen auf Data Science wirken. Diese 2., überarbeitete Auflage wurde um neue Themen wie Feature Selection und Deep Reinforcement Learning sowie eine neue Fallstudie erweitert.

Das Thema künstliche Intelligenz ist in aller Munde. Wie kann auch Ihr Unternehmen KI nutzen und davon profitieren? Dieses Buch bietet anhand eingängiger Beispiele eine pragmatische Einführung in dieses spannende Themenfeld. Der Autor setzt den Fokus auf ein Verständnis der grundlegenden Begriffe und Konzepte sowie der praktischen Durchführung von KI-Projekten. Dabei werden Sie durch Glossare und Checklisten tatkräftig unterstützt. So können Sie die Ergebnisse von KI-Projekten kompetent beurteilen, die richtigen Fragen stellen und fundiert entscheiden. Inhalt: - Grundlagen maschinelles Lernen und Buzzwords - KI-Projektmanagement: Struktur, Planung, Ziele - Aufbereitung und Visualisierung der Daten, um wertvolle Einsichten zu gewinnen - KI nutzen, um Ereignisse und Entwicklungen zu prognostizieren bzw. ungewöhnliche Konstellationen zu erkennen - Nachhaltige produktive Umsetzung von KI im Unternehmen - Mit Checklisten und umfangreichem Glossar'Ein guter Einstieg in ein komplexes wichtiges Thema.'Schweizer Online-Forum für Chief Financial Officers

Semantische Suchverfahren kombinieren Techniken der Textverarbeitung, des Information Retrievals und der Wissensverarbeitung, um Informationssuchenden bessere Suchergebnisse als reine Volltextsuchen zu liefern und die Sprachbarriere zu den Autoren zu überbrücken. Dieses Buch zeigt, wie Komponenten intelligenter Suchverfahren mit diesen Techniken umgesetzt werden und zu unterschiedlichen Extra- und Intranet-Suchmaschinen kombiniert werden können. Hierbei wird der Schwerpunkt auf die Grundlagen und Konstruktionsprinzipien von Verfahren zur semantischen Suche in Texten gelegt. Mit vielen Praxisbeispielen, praktischen Erfahrungen, Aufgaben und Lösungen ist das Buch sowohl für Studierende und Dozenten als auch für Entwickler, Produkt- und Projektmanager und Entscheider bestens geeignet.

Dieses Buch untersucht die Entwicklung von Communities mit Hilfe des GABEK®-Verfahrens Was hält Gemeinschaften zusammen? Diese Frage erforscht dieses Buch über die Entwicklung von Communities. Wichtiges Werkzeug ist dabei das Verfahren GABEK® (GAnzheitliche BEwältigung von Komplexität). Es analysiert u. a. Konzepte, Ontologien, Wertvorstellungen, Meinungen über Ursachen und Wirkungen sowie emotionale Einstellungen, die die Mitglieder einer Community verbinden. Durch eine softwareunterstützte Textanalyse werden sie in Form linguistischer Netze systematisiert. Diese Netze werden wiederum als Meinungslandkarten in unterschiedlichen Komplexitätsstufen dargestellt. Das Buch zeigt, wie Sie auf diese Weise Denk- und Handlungsmuster ableiten, die bei der Entwicklung von Communities oder auch bei der Organisationsentwicklung eine große Rolle spielen. Durch qualitative Textanalysen ermöglicht GABEK das Verständnis der Gesamtsituation und die Theoriebildung. Das Verfahren erleichtert die Konfliktlösung und eine Ausrichtung der Community auf strategische Ziele und Zukunftsvisionen, die von den meisten Betroffenen akzeptiert werden, auch wenn es um Erneuerung und Reformen geht.Theoretische Grundlagen werden mit Anwendungsbeispielen verknüpft Nach einer kurzen Beschreibung der qualitativen Methoden des GABEK-Verfahrens, untersucht dieses Buch die Entwicklung von Communities am Beispiel des Stadtteils Tepito in Mexico City. Anschließend befasst sich dieses Werk mit speziellen Themen, die mit der Gemeinschaftsbildung verbunden sind wie etwa:Sinn- und BedeutungszusammenhängeBegriffsanalysen durch BedeutungszusammenhängeVon Begriffsnetzen zu Ontologien durch KomplexitätsreduktionLinguistische GestaltbildungBewusste und unbewusste WissensverarbeitungProblemlösung durch den simulierten DialogUm die Entwicklung von Communities aufschlussreich zu untersuchen, liefert Ihnen dieses Buch neben theoretischen Grundlagen auch immer wieder konkrete Anwendungsbeispiele des Verfahrens GABEK, das Sie bei der Entscheidungsfindung und Organisationsentwicklung unterstützt. Abschließend beschreibt der Autor eine Zukunftsvision über die Entwicklung von Communities durch ein System der dynamischen Wissensorganisation. Auf diese Weise zeigt Ihnen dieses Werk mögliche Wege zu einer zukunftsorientierten Entwicklung von Organisationen, Gemeinden, Regionen oder Vereinen und Interessensgemeinschaften auf.

In uralten Spielen wie Schach oder Go können sich die brillantesten Spieler verbessern, indem sie die von einer Maschine produzierten Strategien studieren. Robotische Systeme üben ihre Bewegungen selbst. In Arcade Games erreichen lernfähige Agenten innerhalb weniger Stunden übermenschliches Niveau. Wie funktionieren diese spektakulären Algorithmen des bestärkenden Lernens? Mit gut verständlichen Erklärungen und übersichtlichen Beispielen in Java und Greenfoot können Sie sich die Prinzipien des bestärkenden Lernens aneignen und in eigenen intelligenten Agenten anwenden. Greenfoot (M.Kölling, King's College London) und das Hamster-Modell (D.Bohles, Universität Oldenburg) sind einfache aber auch mächtige didaktische Werkzeuge, die entwickelt wurden, um Grundkonzepte der Programmierung zu vermitteln. Wir werden Figuren wie den Java-Hamster zu lernfähigen Agenten machen, die eigenständig ihre Umgebung erkunden.

Die Merkmalskonstruktion, auch Feature Engineering genannt, ist ein entscheidender Arbeitsschritt bei der Datenaufbereitung für das maschinelle Lernen, der die Leistung der Modelle stark beeinflusst. In diesem praxisnahen Buch lernen Sie Techniken, um Merkmale – numerische Repräsentationen eines bestimmten Aspekts von Rohdaten – zu gewinnen und mit maschinellen Lernmodellen nutzbar zu machen. Jedes Kapitel führt Sie durch eine spezifische Aufgabe der Datenanalyse wie etwa die Darstellung von Text- oder Bilddaten. Diese Beispiele veranschaulichen die wichtigsten Prinzipien der Merkmalskonstruktion. Statt diese Prinzipien nur zu beschreiben, legen die Autorinnen Alice Zheng und Amanda Casari im gesamten Buch den Schwerpunkt auf die praktische Anwendung mit Übungen. Das Schlusskapitel vertieft das Gelernte, indem es verschiedene Techniken der Merkmalskonstruktion auf einen realen, strukturierten Datensatz anwendet. In den Beispielen werden Python-Pakete wie numpy, Pandas, scikit-learn und Matplotlib verwendet. Aus dem Inhalt: - Merkmalskonstruktion an numerischen Daten: Filter, Klasseneinteilung, Skalierung, logarithmische und Potenz-Transformationen - Techniken für natürlichen Text: Bag-of-Words-Modelle, n-Gramme und Phrasenerkennung - Frequenzfilterung und Merkmalsskalierung zum Entfernen aussageloser Merkmale - Kodierungstechniken für Kategorievariablen, darunter Merkmals-Hashing und Klassenzählung - Modellgesteuerte Merkmalskonstruktion mit der Hauptkomponentenanalyse - Das Konzept der Modellkombination mit dem k-Means-Algorithmus als Technik zur Merkmalserzeugung - Gewinnung von Bildmerkmalen anhand manueller und Deep-Learning-Techniken

Das Buch beinhaltet die Ergebnisse des dreijährigen Verbundprojekts'Separator i4.0'des BMBF-Spitzenclusters it's OWL. Gegenstand des Projekts war die nachhaltige Einbindung von Expertenwissen in die zukunftsweisende Weiterentwicklung und Optimierung von Separationsprozessen. Durch die Entwicklung neuartiger intelligenter Komponenten aus dem Bereich der Sensorik wird es zukünftig möglich sein, Separatoren und die zugehörigen Prozesszusammenhänge zu verstehen und diese ökologisch/ökonomisch optimal auszulegen und zu betreiben. Hierzu wurde ein Instrumentarium bestehend aus Methoden und Lösungen erarbeitet, das darüber hinaus auf analoge Problemstellungen komplexer maschinenbaulicher Anlagen anwendbar sein wird.

Data Science steht derzeit wie kein anderer Begriff für die Auswertung großer Datenmengen mit analytischen Konzepten des Machine Learning oder der künstlichen Intelligenz. Nach der bewussten Wahrnehmung der Big Data und dabei insbesondere der Verfügbarmachung in Unternehmen sind Technologien und Methoden zur Auswertung dort gefordert, wo klassische Business Intelligence an ihre Grenzen stößt. Dieses Buch bietet eine umfassende Einführung in Data Science und deren praktische Relevanz für Unternehmen. Dabei wird auch die Integration von Data Science in ein bereits bestehendes Business-Intelligence-Ökosystem thematisiert. In verschiedenen Beiträgen werden sowohl Aufgabenfelder und Methoden als auch Rollen- und Organisationsmodelle erläutert, die im Zusammenspiel mit Konzepten und Architekturen auf Data Science wirken. Neben den Grundlagen werden unter anderem folgende Themen behandelt: - Data Science und künstliche Intelligenz - Konzeption und Entwicklung von Data-driven Products - Deep Learning - Self-Service im Data-Science-Umfeld - Data Privacy und Fragen zur digitalen Ethik - Customer Churn mit Keras/TensorFlow und H2O - Wirtschaftlichkeitsbetrachtung bei der Auswahl und Entwicklung von Data Science - Predictive Maintenance - Scrum in Data-Science-ProjektenZahlreiche Anwendungsfälle und Praxisbeispiele geben Einblicke in die aktuellen Erfahrungen bei Data-Science-Projekten und erlauben dem Leser einen direkten Transfer in die tägliche Arbeit.

Die Autoren geben einen praxisorientierten Einstieg in Process-Mining mit unternehmensbezogenen Anwendungsfällen und einer Marktübersicht der Software, die hilft, Geschäftsprozesse schnell, smart und einfach zu gestalten. Auf Basis von Log-Daten der Geschäftsvorgänge erstellt Process-Mining automatisch Modelle der Ist-Abläufe, kann diese mit Soll-Abläufen vergleichen und helfen, Geschäftsprozesse zu optimieren. Weitere Anwendungen von Process-Mining sind u.a. Governance, Risk und Compliance Management, IT-Migration und -Implementierung sowie Entwicklung digitaler Geschäftsmodelle. Process-Mining ist gerade auch für kleinere und mittelgroße Unternehmen von großer Bedeutung für die Wettbewerbsfähigkeit.Die Autoren Ralf Peters ist selbstständiger Unternehmensberater und Interimsmanager. Er unterstützt Unternehmen in Transformationsphasen, bei Post-Merger-Integrationen, IT-Implementierungen sowie dem Einsatz von Process-Mining. Prof. Dr. Markus Nauroth lehrt Wirtschaftsinformatik an der Hochschule Mainz und verantwortet u.a. als Studiengangleiter den Bachelor-Studiengang Angewandte Informatik. Zuvor war er als Unternehmensberater in London und New York tätig.

ERP-Systeme werden häufig als echte Wunderwaffen angepriesen, mit denen Unternehmen unkompliziert Kosten sparen und gleichzeitig noch Wachstum generieren. Dennoch laufen ERP-Projekte immer wieder teils komplett aus dem Ruder. In ihrem Buch zeigen Tobias Hertfelder und Philipp Futterknecht auf warum ERP Projekte zum Großteil keine IT- Themen sondern Chefsache sind. Denn ohne klare Richtung automatisiert man an dieser Stelle in die falsche Richtung. Warum beißen sich viele Unternehmen die Zähne an diesen Softwarelösungen aus? Lernen Sie, wie Sie Ihre eigene Strategie formulieren und erfahren Sie, wie erfolgreiche Transformationsprozesse in mittelständischen Organisationen ablaufen. Zudem zeigen die Autoren konkret auf, unter welchen Bedingungen die Implementierung eines ERP-Systems zum Scheitern verurteilt ist. All dies macht das Buch „Der ERP-Irrglaube im Mittelstand“ zu einem praktischen Leitfaden, der Ihnen hilft, die Wettbewerbsstärke und Umsatzrendite Ihres Unternehmens mit zukünftigen ERP-Entscheidungen zu steigern. Anschließend gehen die Autoren auf folgende Aspekte ein: • Arztbesuch: Warum einen Experten ins Haus holen, wenn ich gesund bin? • Diagnose Selbsterkenntnis: Ohne Ziele keine Maßnahmen • „Schuster, bleib bei deinen Leisten!“: Warum Sie lieber in Ihrem Kerngeschäft bleiben sollten • Wie Ihre Schatten-IT Ihr Geld verschlingt • Wachstumsschmerz: Nimmt Ihre Effizienz mit dem Wachstum ab? Dadurch lernen Sie, wie Sie in Ihrer Firma klare Genesungsziele definieren und Veränderungen herbeiführen. Schärfen Sie Ihren Blick dafür, wie Sie Wertschöpfungs- Potenziale erkennen und nutzen. Die Autoren liefern Ihnen die nötigen Ansätze, um eine konkrete Strategie zur Einführung von ERP selbst zu gestalten. Zu empfehlen ist dieses Werk speziell für:· Inhaber und Geschäftsführer von KMU · IT-Leiter in Unternehmen · Entscheider in mittelständischen Unternehmen · Studierende im Bereich Wirtschaftswissenschaft

Dieses Buch befasst sich mit der zielgerichteten Auswertung von vorhandenen Daten im Unternehmen. Während früher viele Entscheidungen aus dem Bauch heraus getroffen wurden, sind heute die resultierenden Erfolge durch das gestiegene Datenvolumen so gut messbar wie nie zuvor. Doch nicht jede Entscheidung wird durch Daten automatisch besser. Es gilt, Daten im Unternehmen zu identifizieren, Ziele zu definieren und die vorhandenen Daten sinnvoll auszuwerten. Damit dieser Schritt gelingt, zeigt dieses Buch mit praktischen Tipps, wie auf Grundlage von Daten bessere Entscheidungen getroffen werden können. Neben den Grundlagen zur Datenanalyse wird ein Praxisbeispiel vorgestellt, aus dem anschließend Anregungen für Unternehmen abgeleitet werden.

Business-Intelligence-Lösungen sind für Unternehmen unabdingbar, um Datenmengen in vertretbarer Zeit zu analysieren und daraus resultierend Entscheidungen zu treffen. Dieses Buch zeigt den Weg auf, wie aus Daten mittels Visualisierung entscheidungsrelevante Informationen für den Empfänger werden. Neue, interaktive und grafische Darstellungen tragen dazu bei, dass Entscheider ihr Wissen und ihre Fähigkeiten besser nutzen können, um einen echten Mehrwert für ihr Unternehmen zu generieren. Die Autoren bieten eine fundierte Einführung in das Thema und geben einen praxisnahen Überblick über Visual Business Analytics mit seinen drei Teilgebieten: Information Design, Visual Business Intelligence und Visual Analytics. Sie erläutern anhand vieler Beispiele aus Business-Intelligence-Anwendungsszenarien, welche Darstellungsformen jeweils geeignet sind, um komplexe Zusammenhänge abzubilden, wie Unternehmen Visual Business Analytics erfolgreich nutzen können und welche zukünftigen Möglichkeiten sich durch interaktive Darstellungen ergeben. Im Einzelnen werden behandelt: - Visualisierung von Daten und Informationen - Reporting und Information Design - Diagrammtypen und -eigenschaften - Information-Design-Richtlinien - Visual Business Intelligence - Interaktive Visualisierung - Dashboard-Design - Visual Analytics in Big-Data-SzenarienAnwendungsbeispiele mit aktuellen Business-Intelligence-Werkzeugen im Bereich Visual Analytics und ein Blick in die Forschung runden das Buch ab. Die 2. Auflage wurde durchgehend überarbeitet, aktualisiert und um neue Themen wie Visualisierungsstandards und maschinelles Lernen erweitert.

Datenanalyse mit ausgereiften statistischen Modellen des Machine LearningsAnwendung der wichtigsten Algorithmen und Python-Bibliotheken wie NumPy, SciPy, Scikit-learn, TensorFlow, Matplotlib, Pandas und KerasBest Practices zur Optimierung Ihrer Machine-Learning-AlgorithmenMachine Learning und Predictive Analytics verändern die Arbeitsweise von Unternehmen grundlegend. Die Fähigkeit, in komplexen Daten Trends und Muster zu erkennen, ist heutzutage für den langfristigen geschäftlichen Erfolg ausschlaggebend und entwickelt sich zu einer der entscheidenden Wachstumsstrategien.Die zweite Auflage dieses Buchs berücksichtigt die jüngsten Entwicklungen und Technologien, die für Machine Learning, Neuronale Netze und Deep Learning wichtig sind. Dies betrifft insbesondere die neuesten Open-Source-Bibliotheken wie Scikit-learn, Keras und TensorFlow.Python zählt zu den führenden Programmiersprachen in den Bereichen Machine Learning, Data Science und Deep Learning und ist besonders gut dazu geeignet, grundlegende Erkenntnisse aus Ihren Daten zu gewinnen sowie ausgefeilte Algorithmen und statistische Modelle auszuarbeiten, die neue Einsichten liefern und wichtige Fragen beantworten.Die Autoren erläutern umfassend den Einsatz von Machine-Learning- und Deep-Learning-Algorithmen und wenden diese anhand zahlreicher Beispiele praktisch an. Dafür behandeln sie in diesem Buch ein breites Spektrum leistungsfähiger Python-Bibliotheken wie Scikit-learn, Keras und TensorFlow. Sie lernen detailliert, wie Sie Python für maschinelle Lernverfahren einsetzen und dabei eine Vielzahl von statistischen Modellen verwenden.Aus dem Inhalt:Trainieren von Lernalgorithmen für die KlassifizierungRegressionsanalysen zum Prognostizieren von ErgebnissenClusteranalyse zum Auffinden verborgener Muster und Strukturen in Ihren DatenDeep-Learning-Verfahren zur BilderkennungOptimale Organisation Ihrer Daten durch effektive Verfahren zur VorverarbeitungDatenkomprimierung durch DimensionsreduktionTraining Neuronaler Netze mit TensorFlowKombination verschiedener Modelle für das Ensemble LearningEinbettung eines Machine-Learning-Modells in eine WebanwendungStimmungsanalyse in Social NetworksModellierung sequenzieller Daten durch rekurrente Neuronale Netze

Die wichtigsten Tools für die Datenanalyse und-bearbeitung im praktischen Einsatz Python effizient für datenintensive Berechnungen einsetzen mit IPython und Jupyter Laden, Speichern und Bearbeiten von Daten und numerischen Arrays mit NumPy und Pandas Visualisierung von Daten mit Matplotlib Python ist für viele die erste Wahl für Data Science, weil eine Vielzahl von Ressourcen und Bibliotheken zum Speichern, Bearbeiten und Auswerten von Daten verfügbar ist. In diesem Buch erläutert der Autor den Einsatz der wichtigsten Tools. Für Datenanalytiker und Wissenschaftler ist dieses umfassende Handbuch von unschätzbarem Wert für jede Art von Berechnung mit Python sowie bei der Erledigung alltäglicher Aufgaben. Dazu gehören das Bearbeiten, Umwandeln und Bereinigen von Daten, die Visualisierung verschiedener Datentypen und die Nutzung von Daten zum Erstellen von Statistiken oder Machine-Learning-Modellen. Dieses Handbuch erläutert die Verwendung der folgenden Tools: IPython und Jupyter für datenintensive Berechnungen NumPy und Pandas zum effizienten Speichern und Bearbeiten von Daten und Datenarrays in Python Matplotlib für vielfältige Möglichkeiten der Visualisierung von Daten Scikit-Learn zur effizienten und sauberen Implementierung der wichtigsten und am meisten verbreiteten Algorithmen des Machine Learnings Der Autor zeigt Ihnen, wie Sie die zum Betreiben von Data Science verfügbaren Pakete nutzen, um Daten effektiv zu speichern, zu handhaben und Einblick in diese Daten zu gewinnen. Grundlegende Kenntnisse in Python werden dabei vorausgesetzt. Leserstimme zum Buch: »Wenn Sie Data Science mit Python betreiben möchten, ist dieses Buch ein hervorragender Ausgangspunkt. Ich habe es sehr erfolgreich beim Unterrichten von Informatik- und Statistikstudenten eingesetzt. Jake geht weit über die Grundlagen der Open-Source-Tools hinaus und erläutert die grundlegenden Konzepte, Vorgehensweisen und Abstraktionen in klarer Sprache und mit verständlichen Erklärungen.« - Brian Granger, Physikprofessor, California Polytechnic State University, Mitbegründer des Jupyter-ProjektsJake VanderPlas ist seit Langem User und Entwickler von SciPy. Derzeit ist er als interdisziplinärer Forschungsdirektor an der Universität Washington tätig, führt eigene astronomische Forschungsarbeiten durch und berät dort ansässige Wissenschaftler, die in vielen verschiedenen Fachgebieten arbeiten.

SAP Analytics Cloud ist das innovative Business Intelligence(BI)-Werkzeug der SAP für umfassende Analyse und Planungsaufgaben im Unternehmen. Die Strategie hinter den Cloud-Lösungen ist einfach: kostengünstige und intuitive Anwendungen mit geringem Implementierungs- und Wartungsaufwand. Lernen Sie in diesem anwendungsnahen Fachbuch zunächst wichtige Aspekte der Datenbeschaffung und Systemanbindung kennen. Anschließend werden Sie bei Ihrem analytischen Szenario mit der Erstellung eines Datenmodells unterstützt. Hierbei gehen die Autoren auf die verschiedenen Modelltypen ein und grenzen diese voneinander ab. Mit diesem Fundament können Sie mühelos in die Visualisierung von Daten und die Erstellung von Storys einsteigen. Sukzessive und jederzeit an SAP-Screenshots nachvollziehbar führt Sie das Autoren-Duo durch das umfassende Funktionsset für Administration, Business Intelligence, Planung sowie Simulation und Prognosen. Das Praxisbuch richtet sich an Fachabteilungen, BI-Berater und -Entwickler, die mit der Konzeptionierung und Realisierung von Geschäftsberichten sowie Planungsprozessen befasst sind. - Erstellung und Verwaltung von Analyse- und Planungsmodellen - Datenvisualisierung in einem Digital Boardroom - Live-Daten-Integration in Geschäftssysteme - Simulationen mithilfe von Werttreiberbäumen

Sie möchten endlich wissen, was sich hinter Schlagworten wie „Data Science“ und „Machine Learning“ eigentlich verbirgt – und was man alles damit anstellen kann? Auf allzu viel Mathematik würden Sie dabei aber gern verzichten? Dann sind Sie hier genau richtig: Dieses Buch bietet einen kompakten Einblick in die wichtigsten Schlüsselkonzepte der Datenwissenschaft und ihrer Algorithmen – und zwar ohne Sie mit mathematischen Formeln und Details zu belasten! Der Fokus liegt – nach einer übergeordneten Einführung – auf Anwendungen des maschinellen Lernens zur Mustererkennung und Vorhersage von Ergebnissen: In jedem Kapitel wird ein Algorithmus erläutert und mit einem leicht verständlichen, realen Anwendungsbeispiel verknüpft. Die Kombination aus intuitiven Erklärungen und zahlreichen Abbildungen ermöglicht dabei ein grundlegendes Verständnis, das ohne mathematische Formelsprache auskommt. Abschließend werden auch die Grenzen und Nachteile der betrachteten Algorithmen explizit aufgezeigt.

Das kompakte Fachbuch gibt einen Überblick über die Möglichkeiten von „Big Data“ im Gesundheitswesen und beschreibt anhand von ausgewählten Szenarien mögliche Einsatzgebiete.Die Autoren erläutern zentrale Systemkomponenten und IT-Standards und thematisieren anhand wichtiger Daten des Gesundheitswesens die Notwendigkeit der Strukturierung und Modellierung von Daten. Das Buch gibt Hinweise wie Geschäftsprozesse im Gesundheitswesen dokumentiert, analysiert und verbessert werden können. Anwendungsszenarien, wie die Datenanalysen für Krankenhäuser, Labore, Versicherungen und die Pharmaindustrie, zeigen die praktische Relevanz des Themas. Aber auch rechtliche und ethische Aspekte werden inhaltlich angeschnitten.Ein Buch für Entscheider in der medizinischen Leitung und Verwaltung von Krankenhäusern, Fachleute sowie niedergelassene Ärzte und Apotheker, aber auch Personen in Ausbildung und Studium im Gesundheitswesen.