Data Science anwenden (eBook)

Inhaltsverzeichnis 6
Herausgeber- und Autorenverzeichnis 12
Teil I Einleitung 15
1 Data Science: Vom Begriff zur Anwendung 16
Zusammenfassung 16
1.1Was ist Data Science? 17
1.2Was ist und was macht ein Data Scientist? 18
1.3Einführung in Data Science 20
1.4Systeme, Werkzeuge und Methoden 20
1.5Anwendungen 21
Literatur 22
Teil II Einführung in Data Science 23
2 Visualisierung und Deep Learning in der Data Science 24
Zusammenfassung 24
2.1Einleitung 25
2.2Verfahren für die visuelle Aufbereitung von Daten 26
2.2.1Einfache Daten und Texte darstellen 26
2.2.2Komplexe Daten vereinfachen und darstellen 29
2.2.2.1 Matrixplot 29
2.2.2.2 Hauptkomponentenanalyse und multidimensionale Skalierung 31
2.2.2.3 t-SNE 33
2.3Bildinformationen extrahieren 33
2.3.1Visuelle Strukturen mit Deep Learning erkennen 35
2.3.2Architekturen für die Praxis 36
2.4Zusammenführung von Bild und Daten 36
2.4.1Generierung anreichernder Detailinformationen 36
2.4.2Transformation visueller Repräsentationen 37
2.4.3Einsatzmöglichkeiten 39
2.5Zusammenfassung 40
Literatur 40
3 Digitale Ethik in datengetriebenen Organisationen und deren Anwendung am Beispiel von KI-Ethik 43
Zusammenfassung 44
3.1Einführung 44
3.2Datengetriebene Organisationen 45
3.2.1Begriff der datengetriebenen Organisation 45
3.2.2Technologienutzung datengetriebener Organisationen 46
3.2.3Datengetriebene Unternehmenskultur 49
3.3Digitale Ethik 50
3.3.1Begriff und Moraltheorien 50
3.3.2Überblick über digital-ethische Grundsätze 51
3.4Digitale Ethik und datengetriebene Organisationen 52
3.4.1Digital-ethische Grundsätze und Datenwertschöpfung 52
3.4.2Konsequenzen für die Gestaltung datengetriebener Organisationen 53
3.5Fallbeispiel Deutsche Telekom AG: Operationalisierung einer KI-Ethik 55
3.5.1Motivation des Konzerns zur Entwicklung einer digitalen Ethik 55
3.5.2KI-Ethik bei der DTAG 55
3.6Zusammenfassung und Ausblick 59
Literatur 60
4 Multiple Perspektiven bei der Implementierung innovativer technologischer Lösungen im Kontext datengesteuerter Entscheidungsfindung 63
Zusammenfassung 64
4.1Warum die Implementierung innovativer Technologien eine umfassende Herangehensweise notwendig macht 64
4.2Modelle aus der Literatur und ihre Schwachstellen 66
4.3Das Technological and Organisational Coherence Implementation-Modell (TOCI-Modell) 69
4.4Vorteile und Besonderheiten des TOCI-Modells 72
4.5Mögliche nützliche Erweiterungen des TOCI-Modells 74
4.6Ausblick 75
Literatur 76
5 Keine Angst vor Fehlschlägen – Erkenntnisse aus einer Umfrage zum Scheitern von Data-Science-Projekten 79
Zusammenfassung 79
5.1Einleitung 80
5.2Merkmale von und Hypothesen zu Data-Science-Projekten 81
5.3Konzeption und Durchführung der Umfrage 83
5.4Auswertung der Umfrage 85
5.5Fazit und Ausblick 89
Literatur 90
Teil III Systeme, Werkzeuge und Methoden 92
6 Empfehlungssysteme und der Einsatz maschineller Lernverfahren 93
Zusammenfassung 93
6.1Einleitung 94
6.2Kollaborative Empfehlungssysteme 96
6.2.1Ansätze 96
6.2.2Methoden 97
6.3Inhaltsbasierte Empfehlungssysteme 100
6.3.1Ansatz 100
6.3.2Methoden 101
6.4Weitere Konzepte 102
6.4.1Demografische Empfehlungssysteme 102
6.4.2Wissensbasierte Empfehlungssysteme 103
6.4.3Hybride Empfehlungssysteme 103
6.5Aktuelle Entwicklungen 104
6.6Zusammenfassung 105
Literatur 105
7 Vergleich der Machine-Learning-Funktionalitäten von Business-Intelligence- und Analytics-Tools 109
Zusammenfassung 110
7.1Einleitung 111
7.2Bewertungsrahmen der Business-Intelligence-Tools 112
7.2.1Auswahl der BI-Tools 112
7.2.2Personas 112
7.2.2.1 Persona 1: Experte/in 112
7.2.2.2 Persona 2: Laie 113
7.2.3Vergleichskriterien 113
7.2.4Testdatensets 115
7.3Vergleich der ML-Methoden 116
7.3.1SAP Analytics Cloud 116
7.3.2Tableau Online/Tableau Desktop 119
7.3.3Qlik Sense Business/Qlik Sense Desktop 120
7.3.4TIBCO Cloud Spotfire 121
7.3.5RapidMiner 125
7.4Empfehlungen 129
Literatur 132
8 Data-Science-Projekte mit dem Vorgehensmodell „DASC-PM“ durchführen: Kompetenzen, Rollen und Abläufe 135
Zusammenfassung 136
8.1Einleitung 136
8.2Ablauf eines Projektes mit DASC-PM 137
8.2.1DASC-PM im Überblick 137
8.2.2Projektauftrag 139
8.2.3Datenbereitstellung 140
8.2.4Analyse 142
8.2.5Nutzbarmachung 144
8.2.6Nutzung 145
8.3Phasenübergreifende Schlüsselbereiche 146
8.4Kompetenzorientierte Teamsteuerung mit Rollen 148
8.5Fazit 150
Literatur 151
Teil IV Anwendungen 153
9 Integration erneuerbarer Energien – KI-basierte Vorhersageverfahren zur Stromerzeugung durch Photovoltaikanlagen 154
Zusammenfassung 155
9.1Einleitung und Motivation: Integration Erneuerbarer Energien 155
9.2Datenaufbereitung 157
9.2.1Datenerfassung 158
9.2.2Datenerkundung 161
9.2.3Datenbereinigung 163
9.2.4Datentransformation 163
9.3KI-basierte Vorhersageverfahren 164
9.3.1Ansätze auf Basis von künstlichen neuronalen Netzen 166
9.3.2Ansätze auf Basis von Ensemble Machine Learning 167
9.4Fusion der Ergebnisse 170
9.5Anwendungsbeispiele und Ausblick 172
Literatur 174
10 Machine Learning für die Energiemanagementoptimierung 178
Zusammenfassung 179
10.1Digital Twin für eine Klimatisierungsanlage mit passiver und aktiver Wärmerückgewinnung 179
10.2Konzeption und Architektur 183
10.3Analyse und Evaluation der Datenbearbeitungsschritte 184
10.3.1Schritt 1: Daten erheben 184
10.3.2Schritt 2: Daten bereinigen 185
10.3.3Schritt 3: Daten klassifizieren 186
10.3.4Schritt 4: Daten filtern 189
10.3.5Schritt 5: Vorhersage berechnen 190
10.4Proof-of-Concept 193
10.4.1Methoden- und Technologien-Stack 193
10.4.2Visualisierung der Ergebnisse 194
10.5Fazit 195
10.6Ausblick 196
10.6.1Weitere Analyseansätze 196
10.6.2Anwendungsmöglichkeiten 196
Literatur 197
11 Text Mining bei einer wissenschaftlichen Literaturauswertung: Extraktion von Schlüsselwörtern zur Beschreibung von Inhalten 199
Zusammenfassung 199
11.1Einführung 200
11.2Explainable Artificial Intelligence 200
11.3Extraktion von Schlüsselwörtern 201
11.4Extraktion von Schlüsselwörtern für eine Literaturauswertung zu „Explainable AI“ 201
11.5Fazit 203
Literatur 204
12 Identifikation relevanter Zusammenhänge in Daten mit maschinellem Lernen 206
Zusammenfassung 206
12.1Einleitung 207
12.2Fachliche Problemstellung 208
12.3Ansätze zur Reduzierung von Regelmengen 210
12.3.1Association Rule Discovery 211
12.3.2Subgroup Discovery 213
12.4Gütebestimmung von reduzierten Regelmengen 215
12.5Kombinationssystematik 216
12.6Ergebnisse 218
12.7Zusammenfassung 221
Literatur 221
13 Framework für das Management und die Analyse von Fahrzeugdaten für die modellbasierte Fahrerassistenzsystementwicklung in Lehre und Forschung 224
Zusammenfassung 225
13.1Motivation 225
13.2Wildauer Maschinen Werke an der TH Wildau 226
13.3Vorstellung Fahrzeugflotte 227
13.3.1Trikes 227
13.3.2Trucks 229
13.4Vorstellung Infrastruktur 230
13.4.1ROS 230
13.4.2Node-RED 230
13.4.3MQTT-Bridge 231
13.4.4ROS Car2X 231
13.4.5Lichtsignalanlagen 231
13.4.6VDI 232
13.5Entwicklungsframework 233
13.5.1Umsetzung Kommunikation Fahrzeuge 233
13.5.2Modellbasierte Entwicklung und Codegenerierung auf Fahrzeuge 234
13.5.3Agiles Projektmanagement, Wissensmanagement und Sourcecode-Management 238
13.6Szenarien-basierte Lehre und Forschung 240
13.6.1ROS Car2X als Datenaggregation und Funktionsverhalten über Fahrzeuge hinweg 240
13.6.2NodeRED zur Datenanalyse 243
13.6.3Interdisziplinäres Szenario am Beispiel Materialwirtschaft 244
13.7Zusammenfassung und Ausblick 244
Literatur 246
Stichwortverzeichnis 248