Verfügbarkeit: Data Science | Technische Universität München

Data Science: Grundlagen, Architekturen und Anwendungen

Gespeichert in:

Bibliographische Detailangaben
Weitere beteiligte Personen:	Haneke, Uwe 1964- (HerausgeberIn), Trahasch, Stephan (HerausgeberIn), Zimmer, Michael 1981- (HerausgeberIn), Felden, Carsten 1969- (HerausgeberIn)
Format:	Buch
Sprache:	Deutsch
Veröffentlicht:	Heidelberg dpunkt.verlag 2019
Ausgabe:	1. Auflage
Schriftenreihe:	Edition TDWI TDWI Wissen
Schlagwörter:	Data Science Big Data Business Intelligence Künstliche Intelligenz Data Mining Analytics Data & Analytic Architekturen DWH-Modernisierung und Erweiterung Big Data Analytics Rollen- und Organisationskonzepte Fallstudien Aufsatzsammlung Einführung
Links:	http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=030560793&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA
Umfang:	xvi, 320 Seiten Illustrationen, Diagramme 24 cm x 16.5 cm
ISBN:	9783864906107 3864906105

Internformat

MARC


LEADER	00000nam a2200000 c 4500
001	BV045171513
003	DE-604
005	20200608
007	t\|
008	180907s2019 gw a\|\|\| \|\|\|\| 00\|\|\| ger d
015			\|a 18,N30 \|2 dnb
016	7		\|a 1162853484 \|2 DE-101
020			\|a 9783864906107 \|c hbk. : circa EUR 59.90 (DE), circa EUR 61.60 (AT) \|9 978-3-86490-610-7
020			\|a 3864906105 \|9 3-86490-610-5
024	3		\|a 9783864906107
035			\|a (OCoLC)1101132849
035			\|a (DE-599)DNB1162853484
040			\|a DE-604 \|b ger \|e rda
041	0		\|a ger
044			\|a gw \|c XA-DE-BW
049			\|a DE-M347 \|a DE-1102 \|a DE-11 \|a DE-91G \|a DE-706 \|a DE-1050 \|a DE-92 \|a DE-860 \|a DE-29T \|a DE-Aug4 \|a DE-1043 \|a DE-739 \|a DE-1051 \|a DE-824 \|a DE-898 \|a DE-858 \|a DE-B768 \|a DE-N2 \|a DE-12 \|a DE-859 \|a DE-573 \|a DE-83 \|a DE-634
084			\|a ST 530 \|0 (DE-625)143679: \|2 rvk
084			\|a QP 345 \|0 (DE-625)141866: \|2 rvk
084			\|a QH 500 \|0 (DE-625)141607: \|2 rvk
084			\|a DAT 600f \|2 stub
245	1	0	\|a Data Science \|b Grundlagen, Architekturen und Anwendungen \|c Uwe Haneke, Stephan Trahasch, Michael Zimmer, Carsten Felden (Hrsg.)
250			\|a 1. Auflage
264		1	\|a Heidelberg \|b dpunkt.verlag \|c 2019
300			\|a xvi, 320 Seiten \|b Illustrationen, Diagramme \|c 24 cm x 16.5 cm
336			\|b txt \|2 rdacontent
337			\|b n \|2 rdamedia
338			\|b nc \|2 rdacarrier
490	0		\|a Edition TDWI
490	0		\|a TDWI Wissen
650	0	7	\|a Data Science \|0 (DE-588)1140936166 \|2 gnd \|9 rswk-swf
650	0	7	\|a Big Data \|0 (DE-588)4802620-7 \|2 gnd \|9 rswk-swf
650	0	7	\|a Business Intelligence \|0 (DE-588)4588307-5 \|2 gnd \|9 rswk-swf
650	0	7	\|a Künstliche Intelligenz \|0 (DE-588)4033447-8 \|2 gnd \|9 rswk-swf
650	0	7	\|a Data Mining \|0 (DE-588)4428654-5 \|2 gnd \|9 rswk-swf
653			\|a Analytics
653			\|a Data Science
653			\|a Data & Analytic Architekturen
653			\|a DWH-Modernisierung und Erweiterung
653			\|a Big Data Analytics
653			\|a Rollen- und Organisationskonzepte
653			\|a Fallstudien
655		7	\|0 (DE-588)4143413-4 \|a Aufsatzsammlung \|2 gnd-content
655		7	\|0 (DE-588)4151278-9 \|a Einführung \|2 gnd-content
689	0	0	\|a Data Mining \|0 (DE-588)4428654-5 \|D s
689	0	1	\|a Business Intelligence \|0 (DE-588)4588307-5 \|D s
689	0	2	\|a Künstliche Intelligenz \|0 (DE-588)4033447-8 \|D s
689	0		\|5 DE-604
689	1	0	\|a Data Science \|0 (DE-588)1140936166 \|D s
689	1	1	\|a Big Data \|0 (DE-588)4802620-7 \|D s
689	1	2	\|a Business Intelligence \|0 (DE-588)4588307-5 \|D s
689	1	3	\|a Data Mining \|0 (DE-588)4428654-5 \|D s
689	1		\|5 DE-604
700	1		\|a Haneke, Uwe \|d 1964- \|0 (DE-588)122150546 \|4 edt
700	1		\|a Trahasch, Stephan \|0 (DE-588)1079608842 \|4 edt
700	1		\|a Zimmer, Michael \|d 1981- \|0 (DE-588)1034088351 \|4 edt
700	1		\|a Felden, Carsten \|d 1969- \|0 (DE-588)1020725702 \|4 edt
710	2		\|a Dpunkt.Verlag (Heidelberg) \|0 (DE-588)6085529-0 \|4 pbl
776	0	8	\|i Erscheint auch als \|n Online-Ausgabe, PDF \|z 978-3-96088-584-9
776	0	8	\|i Erscheint auch als \|n Online-Ausgabe, ePub \|z 978-3-96088-585-6
776	0	8	\|i Erscheint auch als \|n Online-Ausgabe, Mobi \|z 978-3-96088-586-3
856	4	2	\|m Digitalisierung UB Passau - ADAM Catalogue Enrichment \|q application/pdf \|u http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=030560793&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA \|3 Inhaltsverzeichnis
943	1		\|a oai:aleph.bib-bvb.de:BVB01-030560793

Datensatz im Suchindex

DE-BY-TUM_call_number	0102 DAT 600f 2019 A 2733
DE-BY-TUM_katkey	2401995
DE-BY-TUM_location	01
DE-BY-TUM_media_number	040008856882
_version_	1821933527997874177
adam_text	IX Inhaltsverzeichnis 1 Einleitung 1 Uwe Haneke · Stephan Trahasch · Michael Zimmer ■ Carsten Felden 1.1 Von Business Intelligence zu Data Science ........................................... 1 1.2 Data Science und angrenzende Gebiete.............. 1.3 Vorgehen in Data-Science-Projekten...................................................... 9 1.4 Struktur des Buches ............................................................................. 11 2 (Advanced) Analytics is the new Bl? 15 6 Uwe Haneke 2.1 Geschichte wiederholt sich? ................................................................ 15 2.2 Die DIKW-Pyramide erklimmen.......................................................... 21 2.3 Vom Nebeneinander zum Miteinander............................................... 24 2.4 Fazit....................................................................................................... 27 3 Data Science und künstliche Intelligenz-der Schlüssel zum Erfolg? 29 Marc Beierschoder · Benjamin Diemann · Michael Zimmer 3.1 Zwischen Euphorie und Pragmatismus............................................... 3.2 Wann ist Data Science und KI das Mittel der Wahl? ........................ 31 3.3 Realistische Erwartungen und klare Herausforderungen ................. 3.4 Aus der Praxis ...................................................................................... 36 3.4.1 3.5 29 33 Die Automobilbranche als Beispiel ...................................... 37 3.4.1.1 Machen Sie Ihren Kunden ein Angebot, das sie nicht ausschlagen können.......................... 37 3.4.1.2 Spinning the Customer Life Cycle Schaffen Sie mehr als eine Runde?........................ 38 Fazit....................................................................................................... 43 x 4 Inhaltsverzeichnis Konzeption und Entwicklung von Data-driven Products/ Datenprodukten 45 Inhaltsverzeichnis 5.3 4.1 Einleitung ................................................................................................ 45 4.2 Datenprodukte ........................................................................................ 46 4.2.1 4.2.2 4.2.3 4.3 Digitale Produktentwicklung...................................................................50 4.3.1 4.3.2 4.3.3 4.3.4 4.3.5 4.4 Definition.................................................................................46 Beispiele für Datenprodukte......................................................48 Herausforderungen des Produktmanagements für Datenprodukte.....................................................................50 Produktmanagement .............................................................. 50 Agile Entwicklung .....................................................................51 Lean Startup............................................................................. 51 Data Science............................................................................. 52 Data-centric Business Models....................................................52 4.4.2 4.4.3 4.4.4 4.4.5 4.4.6 4.4.7 Ideengenerierung für Datenprodukte entlang der Customer Journey .............................................................. 53 Value Propositions von Datenprodukten ................................ 54 Ziele und Messung.....................................................................55 Die Erwartung an die Güte des Modellsbestimmen.................56 Mit dem Datenprodukt beginnen............................................. 56 Kontinuierliche Verbesserung mit der Datenwertschöpfungskette........................................................ 57 Skalierung und Alleinstellungsmerkmal ...................................58 4.5 Kritischer Erfolgsfaktor Feedbackschleife ...........................................58 4.6 Organisatorische Anforderungen ........................................................61 4.7 Technische Anforderungen .....................................................................63 4.8 Fazit ......................................................................................................... 63 Grundlegende Methoden der Data Science 5.5 Reinforcement Learning....................................................................... 85 5.5.1 5.5.2 5.6 5.6.2 5.7 6 5.2 Data Understanding und Data Preparation ........................................... 66 5.2.1 5.2.2 100 Deep Learning....................................................................... 100 Cognitive Computing .......................................................... 100 Fazit..................................................................................................... 100 Deep Learning 101 Klaus Dorer 6.1 Grundlagen neuronaler Netzwerke................................................... 6.1.1 6.1.2 6.1.3 6.1.4 6.2 6.4 109 Convolution-Schicht............................................................ HO Pooling-Schicht..................................................................... 112 Fully-Connected-Schicht...................................................... 113 Anwendung von Deep Learning........................................................ 113 6.3.1 6.3.2 6.3.3 6.3.4 6.3.5 6.3.6 Explorative Datenanalyse.......................................................... 68 Transformation und Normalisierung.......................................70 103 Menschliches Gehirn............................................................ 103 Modell eines Neurons.......................................................... 104 Perzeptron............................................................................. 105 Backpropagation-Netzwerke............................................... 107 Deep Convolutional Neural Networks............................................. 6.2.1 6.2.2 6.2.3 65 Einleitung .................................................................................................65 91 Ausgewählte Qualitätsmaße im Kontext von Klassifikationsaufgabenstellungen......................................... 92 Ausgewählte Qualitätsmaße im Kontext von Clusterungen . 98 Weitere Ansätze ................................................................................. 5.7.1 5.7.2 5.8 Aspekte des Reinforcement Learning.................................... 86 Bestandteile eines Reinforcement-Learning-Systems ........... 89 Evaluation ............................................................................................ 5.6.1 Stephan Trahasch · Carsten Felden 5.1 Datenaufteilung....................................................................... 71 Bias- Variance-Tradeoff.......................................................... 74 Klassifikationsverfahren ........................................................ 75 Unüberwachte Lernverfahren und Clustering..................................... 79 6.3 5 71 5.4 Datenprodukte definieren .......................................................................53 4.4.1 Überwachte Lernverfahren.................................................................. 5.3.1 5.3.2 5.3.3 Christoph Tempich XI RoboCup ............................................................................. 113 AudiCup............................................................................... 115 Deep-Learning-Frameworks ............................................... 116 Standarddatensätze.............................................................. 118 Standardmodelle.................................................................. 118 Weitere Anwendungen ........................................................ 119 Fazit..................................................................................................... 120 xii 7 Inhaltsverzeichnis Von einer Bl-Landschaft zum Data Analytics-Ökosystem Inhaltsverzeichnis *■■■ 121 Michael Zimmer 7.1 Einleitung ...............................................................................................121 7.2 Komponenten analytischer Ökosysteme ............................................. 122 7.3 Vom Reporting zur industrialisierten Data Science ............................ 125 7.4 Data Science und Agilität....................................................................... 129 7.5 Entwicklungs-, Test- und Produktionsumgebungen für Data Science...................................................................................... 129 7.6 Fazit ....................................................................................................... 132 8 Self-Service im Data-Science-Umfeld: der emanzipierte Anwender 11 11.1 Was ist Customer Churn?.................................................................. 183 11.1.1 Wie kann Predictive Analytics bei dem Problem helfen? .. 184 11.1.2 Wie können wir Customer Churn Vorhersagen? ............... 185 11.2 Fallstudie ............................................................................................ 11.2.1 Der Beispieldatensatz .......................................................... 11.2.2 Vorverarbeitung der Daten................................................. 11.2.3 Neuronale Netze mit Keras und TensorFlow..................... 11.2.4 Stacked Ensembles mit H20............................................... 11.3 Bewertung der Customer-Churn- Modelle......................................... 193 Uwe Haneke · Michael Zimmer Einleitung ...............................................................................................133 8.2 Self-Service-Angebote für Data Analytics .......................................135 8.3 Self-Service-Datenaufbereitung und Data Science .............................. 137 8.4 Self-Service-Datenaufbereitung vs. ETL................................................140 8.5 Data Analytics Governance...............................................................142 8.6 Bimodale Data Analytics: Segen oder Fluch?...................................144 8.7 Fazit ....................................................................................................... 146 9 Data Privacy 147 11.4 12 Die Rolle von Data Privacy für Analytics und Big Data ....................147 9.2 Rechtliche und technische Ausgestaltung von Data Privacy 9.2.1 9.2.2 9.3 Ideen generieren....................................................................... 153 Prototypen entwickeln ............................................................ 154 Implementieren der Lösung ....................................................155 9.4 Diskussion und Fazit..............................................................................157 10 Gespräch zur digitalen Ethik Matthias Haun · Gemot Meier 161 Zusammenfassung und Fazit ............................................................ 198 Wirtschaftlichkeitsbetrachtung bei der 199 12.1 Herausforderungen in der Praxis .............................. 199 12.1.1 Data-Science- Anwendungen im Online-LEH...................... 199 12.1.2 Auswahl und Umsetzung wirtschaftlicher Anwendungsfälle................................................................... 200 12.2 Fallstudie: Kaufempfehlungssysteme im Online-Lebensmitteleinzelhandel ...................................................... 12.2.1 Vorabanalysen zur Platzierung von Empfehlungen........... 12.2.2 Prototypische Entwicklung eines Empfehlungsalgorithmus...................................................... 12.2.3 MVP und testgetriebene Entwicklung der Recommendation Engine............................................... Data Privacy im Kontext des Analytics Lifecycle.................................152 9.3.1 9.3.2 9.3.3 194 196 Nicolas March ............. 149 Rechtliche Bestimmungen zu Data Privacy .......................... 149 Technische und methodische Ansätze zur Schaffung von Data Privacy ..................................................................... 150 185 186 189 190 192 11.3.1 Kosten-Nutzen-Kalkulation................................................. 11.3.2 Erklärbarkeit von Customer-Churn-Modellen................... Auswahl Entwicklung von Data Science Eine Fallstudie im Online-Lebensmitteleinzelhandel Victoria Kayser · Damir Zubovic 9.1 183 Shirin Glander 133 8.1 Customer Churn mit Keras/TensorFlow und H20 12.3 204 205 206 207 Fazit..................................................................................................... 208 Inhaltsverzeichnis XIV 13 Analytics im Onlinehandel 209 Inhaltsverzeichnis 14.5 Mikio Braun 13.1 Einleitung .............................................................................................. 209 13.2 Maschinelles Lernen: von der Uni zu Unternehmen............................ 211 13.3 Wie arbeiten Data Scientists und Programmierer zusammen? ...........213 13.4 Architekturmuster, um maschinelle Lernmethoden produktiv zu nehmen............................................................................. 218 13.4.1 13.4.2 13.4.3 13.4.4 13.4.5 13.5 13.6 14 Architekturmuster des maschinellen Lernens ........................218 Architekturmuster, um Modelle auszuliefern ........................219 Datenvorverarbeitung und Feature-Extraktion......................220 Automation und Monitoring ................................................. 222 Integrationsmuster für maschinelles Lernen..........................222 Was kann man sonst auf Firmenebene tun, um Data Science zu unterstützen?......................................................................................223 Predictive Maintenance 225 14.1 Einleitung .............................................................................................. 225 14.2 Was ist Instandhaltung?......................................................................... 227 Instandhaltungsstrategien .....................................................................230 14.3.1 Reaktive Instandhaltung.......................................................... 231 14.3.2 Vorbeugende Instandhaltung................................................. 231 14.3.3 Vorausschauende Instandhaltung (Predictive Maintenance) ........................................................232 14.4 15 Serum in Data-Science-Projekten 245 Caroline Kleist-Olaf Pier 15.1 Einleitung............................................................................................ 245 15.2 Kurzüberblick Serum ......................................................................... 246 15.3 Data-Science-Projekte in der Praxis ................................................. 15.4 Der Einsatz von Serum in Data-Science-Projekten .......................... 250 248 15.4.1 Eigene Adaption .................................................................. 251 15.4.2 Realisierte Vorteile .............................................................. 254 15.4.3 Herausforderungen.............................................................. 261 15.5 Empfehlungen .................................................................................... 266 15.6 Fazit..................................................................................................... 271 16 Der Analytics-Beitrag zu einer Added-Value-Strategie am Beispiel eines Kundenkartenunternehmens 273 Matthias Meyer 16.1 Geschäftsmodell eines Multipartnerprogramms .............................. 273 16.2 Kundenbindung und Kundenbindungsinstrumente.......................... 273 16.3 Funktionen und Services eines Multipartnerprogrammbetreibers .. 276 16.3.1 Funktionen ........................................................................... 276 16.3.2 Services und Vorteile aus Nutzer- und aus Partnerperspektive................................................................ 277 Prozessphasen der vorausschauenden Instandhaltung ........................233 14.4.1 Datenerfassung und -Übertragung .........................................234 14.4.2 Datenanalyse und Vorhersage ............................................... 235 14.4.2.1 Unüberwachte Verfahren .......................................236 14.4.2.2 Überwachte Verfahren ........................................... 238 14.4.3 Planung und Ausführung........................................................239 242 243 Fazit..................................................................................................... 244 14.2.1 Folgen mangelhafter Instandhaltung .....................................228 14.2.2 Wettbewerbsfähige Produktion ............................................. 229 14.3 240 240 14.6 Fazit .......................................................................................................224 Marco Huber Fallbeispiele ........................................................................................ 14.5.1 Heidelberger Druckmaschinen ........................................... 14.5.2 Verschleißmessung bei einem Werkzeugmaschinenhersteller............................................. 14.5.3 Vorausschauende Instandhaltung in der IT........................ XV 16.4 Konkrete Herausforderungen des betrachteten Multipartnerprogrammbetreibers...................................................... 278 16.5 Added-Value-Strategie ....................................................................... 279 16.5.1 Hintergrund und Zielsetzung ............................................. 279 16.5.2 Ausgangspunkt Datenbasis................................................. 280 xvi 16.6 Inhaltsverzeichnis Püotierung ausgewählterAnalytics-Ansätze.......................................... 281 16.6.1 Analytische Ansatzpunkte ......................................................281 16.6.2 Pilotierung............................................................................... 282 16.7 Fazit .......................................................................................................286 A Autoren 289 В Abkürzungen 295 C Literaturverzeichnis 299 Index 317
any_adam_object	1
author2	Haneke, Uwe 1964- Trahasch, Stephan Zimmer, Michael 1981- Felden, Carsten 1969-
author2_role	edt edt edt edt
author2_variant	u h uh s t st m z mz c f cf
author_GND	(DE-588)122150546 (DE-588)1079608842 (DE-588)1034088351 (DE-588)1020725702
author_facet	Haneke, Uwe 1964- Trahasch, Stephan Zimmer, Michael 1981- Felden, Carsten 1969-
building	Verbundindex
bvnumber	BV045171513
classification_rvk	ST 530 QP 345 QH 500
classification_tum	DAT 600f
ctrlnum	(OCoLC)1101132849 (DE-599)DNB1162853484
discipline	Informatik Wirtschaftswissenschaften
edition	1. Auflage
format	Book
fullrecord	<?xml version="1.0" encoding="UTF-8"?><collection xmlns="http://www.loc.gov/MARC21/slim"><record><leader>03383nam a2200769 c 4500</leader><controlfield tag="001">BV045171513</controlfield><controlfield tag="003">DE-604</controlfield><controlfield tag="005">20200608 </controlfield><controlfield tag="007">t\|</controlfield><controlfield tag="008">180907s2019 gw a\|\|\| \|\|\|\| 00\|\|\| ger d</controlfield><datafield tag="015" ind1=" " ind2=" "><subfield code="a">18,N30</subfield><subfield code="2">dnb</subfield></datafield><datafield tag="016" ind1="7" ind2=" "><subfield code="a">1162853484</subfield><subfield code="2">DE-101</subfield></datafield><datafield tag="020" ind1=" " ind2=" "><subfield code="a">9783864906107</subfield><subfield code="c">hbk. : circa EUR 59.90 (DE), circa EUR 61.60 (AT)</subfield><subfield code="9">978-3-86490-610-7</subfield></datafield><datafield tag="020" ind1=" " ind2=" "><subfield code="a">3864906105</subfield><subfield code="9">3-86490-610-5</subfield></datafield><datafield tag="024" ind1="3" ind2=" "><subfield code="a">9783864906107</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(OCoLC)1101132849</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(DE-599)DNB1162853484</subfield></datafield><datafield tag="040" ind1=" " ind2=" "><subfield code="a">DE-604</subfield><subfield code="b">ger</subfield><subfield code="e">rda</subfield></datafield><datafield tag="041" ind1="0" ind2=" "><subfield code="a">ger</subfield></datafield><datafield tag="044" ind1=" " ind2=" "><subfield code="a">gw</subfield><subfield code="c">XA-DE-BW</subfield></datafield><datafield tag="049" ind1=" " ind2=" "><subfield code="a">DE-M347</subfield><subfield code="a">DE-1102</subfield><subfield code="a">DE-11</subfield><subfield code="a">DE-91G</subfield><subfield code="a">DE-706</subfield><subfield code="a">DE-1050</subfield><subfield code="a">DE-92</subfield><subfield code="a">DE-860</subfield><subfield code="a">DE-29T</subfield><subfield code="a">DE-Aug4</subfield><subfield code="a">DE-1043</subfield><subfield code="a">DE-739</subfield><subfield code="a">DE-1051</subfield><subfield code="a">DE-824</subfield><subfield code="a">DE-898</subfield><subfield code="a">DE-858</subfield><subfield code="a">DE-B768</subfield><subfield code="a">DE-N2</subfield><subfield code="a">DE-12</subfield><subfield code="a">DE-859</subfield><subfield code="a">DE-573</subfield><subfield code="a">DE-83</subfield><subfield code="a">DE-634</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">ST 530</subfield><subfield code="0">(DE-625)143679:</subfield><subfield code="2">rvk</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">QP 345</subfield><subfield code="0">(DE-625)141866:</subfield><subfield code="2">rvk</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">QH 500</subfield><subfield code="0">(DE-625)141607:</subfield><subfield code="2">rvk</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">DAT 600f</subfield><subfield code="2">stub</subfield></datafield><datafield tag="245" ind1="1" ind2="0"><subfield code="a">Data Science</subfield><subfield code="b">Grundlagen, Architekturen und Anwendungen</subfield><subfield code="c">Uwe Haneke, Stephan Trahasch, Michael Zimmer, Carsten Felden (Hrsg.)</subfield></datafield><datafield tag="250" ind1=" " ind2=" "><subfield code="a">1. Auflage</subfield></datafield><datafield tag="264" ind1=" " ind2="1"><subfield code="a">Heidelberg</subfield><subfield code="b">dpunkt.verlag</subfield><subfield code="c">2019</subfield></datafield><datafield tag="300" ind1=" " ind2=" "><subfield code="a">xvi, 320 Seiten</subfield><subfield code="b">Illustrationen, Diagramme</subfield><subfield code="c">24 cm x 16.5 cm</subfield></datafield><datafield tag="336" ind1=" " ind2=" "><subfield code="b">txt</subfield><subfield code="2">rdacontent</subfield></datafield><datafield tag="337" ind1=" " ind2=" "><subfield code="b">n</subfield><subfield code="2">rdamedia</subfield></datafield><datafield tag="338" ind1=" " ind2=" "><subfield code="b">nc</subfield><subfield code="2">rdacarrier</subfield></datafield><datafield tag="490" ind1="0" ind2=" "><subfield code="a">Edition TDWI</subfield></datafield><datafield tag="490" ind1="0" ind2=" "><subfield code="a">TDWI Wissen</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Data Science</subfield><subfield code="0">(DE-588)1140936166</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Big Data</subfield><subfield code="0">(DE-588)4802620-7</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Business Intelligence</subfield><subfield code="0">(DE-588)4588307-5</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Künstliche Intelligenz</subfield><subfield code="0">(DE-588)4033447-8</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Data Mining</subfield><subfield code="0">(DE-588)4428654-5</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Analytics</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Data Science</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Data & Analytic Architekturen</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">DWH-Modernisierung und Erweiterung</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Big Data Analytics</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Rollen- und Organisationskonzepte</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Fallstudien</subfield></datafield><datafield tag="655" ind1=" " ind2="7"><subfield code="0">(DE-588)4143413-4</subfield><subfield code="a">Aufsatzsammlung</subfield><subfield code="2">gnd-content</subfield></datafield><datafield tag="655" ind1=" " ind2="7"><subfield code="0">(DE-588)4151278-9</subfield><subfield code="a">Einführung</subfield><subfield code="2">gnd-content</subfield></datafield><datafield tag="689" ind1="0" ind2="0"><subfield code="a">Data Mining</subfield><subfield code="0">(DE-588)4428654-5</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="0" ind2="1"><subfield code="a">Business Intelligence</subfield><subfield code="0">(DE-588)4588307-5</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="0" ind2="2"><subfield code="a">Künstliche Intelligenz</subfield><subfield code="0">(DE-588)4033447-8</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="0" ind2=" "><subfield code="5">DE-604</subfield></datafield><datafield tag="689" ind1="1" ind2="0"><subfield code="a">Data Science</subfield><subfield code="0">(DE-588)1140936166</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="1" ind2="1"><subfield code="a">Big Data</subfield><subfield code="0">(DE-588)4802620-7</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="1" ind2="2"><subfield code="a">Business Intelligence</subfield><subfield code="0">(DE-588)4588307-5</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="1" ind2="3"><subfield code="a">Data Mining</subfield><subfield code="0">(DE-588)4428654-5</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="1" ind2=" "><subfield code="5">DE-604</subfield></datafield><datafield tag="700" ind1="1" ind2=" "><subfield code="a">Haneke, Uwe</subfield><subfield code="d">1964-</subfield><subfield code="0">(DE-588)122150546</subfield><subfield code="4">edt</subfield></datafield><datafield tag="700" ind1="1" ind2=" "><subfield code="a">Trahasch, Stephan</subfield><subfield code="0">(DE-588)1079608842</subfield><subfield code="4">edt</subfield></datafield><datafield tag="700" ind1="1" ind2=" "><subfield code="a">Zimmer, Michael</subfield><subfield code="d">1981-</subfield><subfield code="0">(DE-588)1034088351</subfield><subfield code="4">edt</subfield></datafield><datafield tag="700" ind1="1" ind2=" "><subfield code="a">Felden, Carsten</subfield><subfield code="d">1969-</subfield><subfield code="0">(DE-588)1020725702</subfield><subfield code="4">edt</subfield></datafield><datafield tag="710" ind1="2" ind2=" "><subfield code="a">Dpunkt.Verlag (Heidelberg)</subfield><subfield code="0">(DE-588)6085529-0</subfield><subfield code="4">pbl</subfield></datafield><datafield tag="776" ind1="0" ind2="8"><subfield code="i">Erscheint auch als</subfield><subfield code="n">Online-Ausgabe, PDF</subfield><subfield code="z">978-3-96088-584-9</subfield></datafield><datafield tag="776" ind1="0" ind2="8"><subfield code="i">Erscheint auch als</subfield><subfield code="n">Online-Ausgabe, ePub</subfield><subfield code="z">978-3-96088-585-6</subfield></datafield><datafield tag="776" ind1="0" ind2="8"><subfield code="i">Erscheint auch als</subfield><subfield code="n">Online-Ausgabe, Mobi</subfield><subfield code="z">978-3-96088-586-3</subfield></datafield><datafield tag="856" ind1="4" ind2="2"><subfield code="m">Digitalisierung UB Passau - ADAM Catalogue Enrichment</subfield><subfield code="q">application/pdf</subfield><subfield code="u">http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=030560793&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA</subfield><subfield code="3">Inhaltsverzeichnis</subfield></datafield><datafield tag="943" ind1="1" ind2=" "><subfield code="a">oai:aleph.bib-bvb.de:BVB01-030560793</subfield></datafield></record></collection>
genre	(DE-588)4143413-4 Aufsatzsammlung gnd-content (DE-588)4151278-9 Einführung gnd-content
genre_facet	Aufsatzsammlung Einführung
id	DE-604.BV045171513
illustrated	Illustrated
indexdate	2024-12-20T18:19:55Z
institution	BVB
institution_GND	(DE-588)6085529-0
isbn	9783864906107 3864906105
language	German
oai_aleph_id	oai:aleph.bib-bvb.de:BVB01-030560793
oclc_num	1101132849
open_access_boolean
owner	DE-M347 DE-1102 DE-11 DE-91G DE-BY-TUM DE-706 DE-1050 DE-92 DE-860 DE-29T DE-Aug4 DE-1043 DE-739 DE-1051 DE-824 DE-898 DE-BY-UBR DE-858 DE-B768 DE-N2 DE-12 DE-859 DE-573 DE-83 DE-634
owner_facet	DE-M347 DE-1102 DE-11 DE-91G DE-BY-TUM DE-706 DE-1050 DE-92 DE-860 DE-29T DE-Aug4 DE-1043 DE-739 DE-1051 DE-824 DE-898 DE-BY-UBR DE-858 DE-B768 DE-N2 DE-12 DE-859 DE-573 DE-83 DE-634
physical	xvi, 320 Seiten Illustrationen, Diagramme 24 cm x 16.5 cm
publishDate	2019
publishDateSearch	2019
publishDateSort	2019
publisher	dpunkt.verlag
record_format	marc
series2	Edition TDWI TDWI Wissen
spellingShingle	Data Science Grundlagen, Architekturen und Anwendungen Data Science (DE-588)1140936166 gnd Big Data (DE-588)4802620-7 gnd Business Intelligence (DE-588)4588307-5 gnd Künstliche Intelligenz (DE-588)4033447-8 gnd Data Mining (DE-588)4428654-5 gnd
subject_GND	(DE-588)1140936166 (DE-588)4802620-7 (DE-588)4588307-5 (DE-588)4033447-8 (DE-588)4428654-5 (DE-588)4143413-4 (DE-588)4151278-9
title	Data Science Grundlagen, Architekturen und Anwendungen
title_auth	Data Science Grundlagen, Architekturen und Anwendungen
title_exact_search	Data Science Grundlagen, Architekturen und Anwendungen
title_full	Data Science Grundlagen, Architekturen und Anwendungen Uwe Haneke, Stephan Trahasch, Michael Zimmer, Carsten Felden (Hrsg.)
title_fullStr	Data Science Grundlagen, Architekturen und Anwendungen Uwe Haneke, Stephan Trahasch, Michael Zimmer, Carsten Felden (Hrsg.)
title_full_unstemmed	Data Science Grundlagen, Architekturen und Anwendungen Uwe Haneke, Stephan Trahasch, Michael Zimmer, Carsten Felden (Hrsg.)
title_short	Data Science
title_sort	data science grundlagen architekturen und anwendungen
title_sub	Grundlagen, Architekturen und Anwendungen
topic	Data Science (DE-588)1140936166 gnd Big Data (DE-588)4802620-7 gnd Business Intelligence (DE-588)4588307-5 gnd Künstliche Intelligenz (DE-588)4033447-8 gnd Data Mining (DE-588)4428654-5 gnd
topic_facet	Data Science Big Data Business Intelligence Künstliche Intelligenz Data Mining Aufsatzsammlung Einführung
url	http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=030560793&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA
work_keys_str_mv	AT hanekeuwe datasciencegrundlagenarchitekturenundanwendungen AT trahaschstephan datasciencegrundlagenarchitekturenundanwendungen AT zimmermichael datasciencegrundlagenarchitekturenundanwendungen AT feldencarsten datasciencegrundlagenarchitekturenundanwendungen AT dpunktverlagheidelberg datasciencegrundlagenarchitekturenundanwendungen

Verfügbarkeit

Bestellen (Login erforderlich)

Inhaltsverzeichnis
Paper/Kapitel scannen lassen

Teilbibliothek Mathematik & Informatik

Bestandsangaben von Teilbibliothek Mathematik & Informatik
Signatur:	0102 DAT 600f 2019 A 2733 Lageplan
Exemplar 1	Ausleihbar Am Standort