Das Zeitalter der Daten (eBook)

Vorwort 5
Inhaltsverzeichnis 9
1: Data Science: Die Kunst mit Daten umzugehen 12
1.1 Der Dreiklang aus Data Science, Machine Learning und KI 18
1.2 Big Data: Kommt es auf die Größe an? 20
1.3 Deep Learning: Aus der Tiefe kommt die Intelligenz 23
1.4 Cloud Computing: Alles wird virtuell 26
1.4.1 Infrastructure as a Service – IT-Ressourcen leihen 26
1.4.2 Platform as a Service – ganze Systeme leihen 27
1.4.3 Software as a Service – Programme im Webbrowser 28
1.5 Das Internet der Dinge: Daten ohne Ende 29
Literatur 30
2: KI: Hype oder Technologie der Zukunft? 31
2.1 Kommt der KI-Winter? 33
2.2 Schwache KI liegt in Führung 36
Literatur 41
3: Wie lernt eine Maschine? 43
3.1 Fragen über Fragen: Lernen ist komplex 55
3.1.1 Präzisierung des Problems 55
3.1.2 Künstliches Wissen entsteht aus Daten 57
3.1.3 Statistische Fragen 58
3.1.4 Technische Fragestellungen 62
3.2 Überwachtes Lernen: Lernen unter Aufsicht 67
3.3 Unüberwachtes Lernen: Lernen ohne Vorbild 75
3.3.1 Der k-Means-Algorithmus 77
3.4 Bestärkendes Lernen: Die Erfahrung macht’s 79
3.4.1 Bestärkendes Lernen in der Robotik 82
3.5 Transfer Learning: Übertragen von Wissen 83
Literatur 84
4: Stolz und Vorurteile – Risiken von Data Science 86
4.1 Pfusch am Bau – Handwerkliche Fehler 87
4.1.1 Garbage in, garbage out – Müll bleibt Müll 87
4.1.2 p-Hacking und andere Statistik-Fallen 91
4.1.3 Overfitting – Trainings- oder Wettkampftyp? 95
4.2 Meine Daten gehören mir, oder? 98
4.3 Schubladen im Computerdenken – Vorurteile 102
4.4 Ethische Probleme 105
4.4.1 Machen Daten mich überflüssig? 105
4.4.2 Autonomes Fahren 108
4.4.3 Waffen 110
Literatur 113
5: Typische Aufgaben eines Data Scientists 116
5.1 Data Import: Die Qual der Quellen 121
5.1.1 Datenbanken 124
Relationale Datenbanken 125
Key-value stores – einfach und praktisch 127
Dokumentenorientierte Datenbanken 128
Graphdatenbanken 130
Spaltenorientierte Datenbanken 131
5.1.2 Dateien 132
5.1.3 Services und APIs 133
5.1.4 Internetseiten 135
5.2 Data Cleaning: Nur saubere Daten sind gute Daten 135
5.2.1 Löschen des zugehörigen Datensatzes 137
5.2.2 Korrektur der unplausiblen Werte 137
5.2.3 Rekonstruktion durch Imputation 138
5.2.4 Die Bedeutung von Data Cleaning 139
5.2.5 Data Preparation: Die Daten in Form bringen 139
5.3 Data Exploration: Erste Experimente 141
5.4 Data Modeling: Den Algorithmus anwenden 144
5.4.1 Feature Engineering: Die Wahl der Attribute 146
5.4.2 Model Training: Übung macht den Meister 149
5.4.3 Model Evaluation: Wie gut ist es? 151
5.5 Data Interpreting: Die Insights zählen 157
5.5.1 Data Storytelling: Gut erzählt ist halb gewonnen 158
5.5.2 Data Visualization: Das Auge liest mit 160
5.6 Deployment: An die Öffentlichkeit damit 166
Literatur 167
6: Das Gehirn kopieren? – Künstliche neuronale Netze 170
6.1 Das KNN-Skelett: Knoten & Verbindungen
6.1.1 Die Input-Schicht – Was isst ein neuronales Netz? 174
6.1.2 Die Output-Schicht – Entscheidend ist, was hinten rauskommt 176
6.1.3 Zwischenschichten 178
6.1.4 Verbindungen 181
6.1.5 Aktivierungsfunktion 182
6.2 Und so spielen die Teile zusammen 184
6.3 Wie lernt ein neuronales Netz? 186
6.3.1 Gradient Descent: Wo geht’s zur Talsohle? 187
6.3.2 Backpropagation: Rückwärts durchs Netz 189
6.4 Rechenpower satt durch Grafikkarten 191
6.5 Der Neuronale-Netze-Zoo 194
Literatur 201
7: Data Science in der Praxis 203
7.1 Suchmaschinen: Im Alltag unverzichtbar 203
7.1.1 Erfassung 205
7.1.2 Indizierung 206
7.1.3 Bereitstellung 206
7.2 Churn-Rate: Bleib doch noch, lieber Kunde 207
7.3 Recommender Engine: Kunden kauften auch … 212
7.3.1 Inhaltsbasierte Filterung 214
Produktattribute vergleichen 214
Produktbeschreibungen vergleichen 216
7.3.2 Kollaborative Filterung 219
7.4 Face Recognition: Bist Du mein Freund? 220
7.5 Routenplanung: Von A nach B 222
7.6 Disposition: Wie viel soll ich bestellen? 225
7.6.1 Nichtsaisonale Produkte 226
7.6.2 Saisonale Produkte 228
7.7 Fraud Detection: Den Betrügern auf der Spur 229
7.8 Disaster Risk: Naturkatastrophen vorhersagen 235
7.8.1 Was ist ein gutes Vorhersagesystem? 235
7.8.2 Langsame Erdbeben sind besser 237
7.9 Börsenhandel: Ein Milliardengeschäft 238
7.9.1 Technische Analyse: In der Vergangenheit liegt die Zukunft 240
7.9.2 Sentiment-Analyse 242
7.10 Chatbots: Fluch oder Segen für den Kunden 244
Literatur 246
8: Abschluss 249
Stichwortverzeichnis 252