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 Buch nicht nur für Laien, sondern auch für den mathematisch gebildeten und interessierten Leser für eine empfehlenswerte Einführung in die Welt des maschinellen Lernens. Es unterscheidet sich von anderen populärwissenschaftlichen Büchern in erfrischender Weise durch Sachlichkeit. ... Da zu der Entscheidung, maschinelle Verfahren einzusetzen Grundkenntnisse zu den Verfahren hilfreich sind, ist dieses Buch ein nützlicher Beitrag. (Mathematische Semesterberichte, Jg. 66, 2019)... zeigen anhand verständlich erläuterter, einfacher, aber plausibler Beispiele, wie diese Anwendungen erfolgen und welche Ergebnisse sie liefern. Viele Beispiele wurden der (hier auch zitierten) Literatur entnommen und können vom Leser leicht nachvollzogen werden. Man kann deshalb erwarten, dass nicht nur Studierende dieses Fachgebiets von der Lektüre profitieren werden, sondern auch Unternehmer bessere Fragen an die von ihnen beauftragten Wissenschaftler stellen können. (Martin A. Lobeck, in: ekz-Informationsdienst, Heft 3, 2019)

Autorentext
Annalyn Ng schloss ihr Grundstudium an der University of Michigan (Ann Arbor) ab und war dort auch als Statistiktutorin tätig. Anschließend absolvierte sie ihr Master-Studium am Psychometrics Centre der University of Cambridge, indem Sie dort Social Media-Daten für gezielte Werbung und programmierte kognitive Tests für die Stellenv .ermittlung auswertete. Im Team für Verhaltenswissenschaften bei Disney Research untersuchte sie später psychologische Profile von Konsumenten.

Kenneth Soo hat sein Master-Studium in Statistik an der Stanford University abgeschlossen. Zuvor absolvierte er sein Grundstudium in Mathematik, Operational Research, Statistics and Economics (MORSE) an der University of Warwick: Er war dort als Forschungsassistent bei der Operational Research & Management Sciences Group tätig und arbeitete an der bi-objektiven robusten Optimierung mit Anwendungen in Netzwerken, die zufälligen Ausfällen unterliegen.

Inhalt

Das Wichtigste in Kürze .- k -Means-Clustering.- Hauptkomponentenanalyse.- Assoziationsanalyse.- Soziale Netzwerkanalyse.- Regressionsanalyse.- k -nächste Nachbarn und Ausreißererkennung.- Support-Vektor-Maschine.- Entscheidungsbaum.- Random Forests.- Neuronale Netze.- A/B-Tests und vielarmige Banditen.- Anhang.