Einführung in Data Science - Grundprinzipien der Datenanalyse mit Python
von: Joel Grus
O'Reilly Verlag, 2016
ISBN: 9783960100256
Sprache: Deutsch
348 Seiten, Download: 23377 KB
Format: EPUB, PDF, auch als Online-Lesen
geeignet für:
Typ: A (einfacher Zugriff)
| Inhalt | 5 | ||
| Vorwort | 11 | ||
| Data Science | 11 | ||
| Bei Null starten | 12 | ||
| In diesem Buch verwendete Konventionen | 13 | ||
| Verwenden von Codebeispielen | 14 | ||
| Danksagungen | 15 | ||
| Kapitel 1 – Einführung | 17 | ||
| Der Aufstieg der Daten | 17 | ||
| Was ist Data Science? | 17 | ||
| Ein motivierendes Szenario: DataSciencester | 19 | ||
| Finden von Schlüsselpersonen | 19 | ||
| Data Scientists, die Sie kennen könnten | 22 | ||
| Gehälter und Erfahrung | 25 | ||
| Bezahlte Nutzerkonten | 27 | ||
| Interessante Themen | 28 | ||
| Weiter geht’s! | 29 | ||
| Kapitel 2 – Ein Crashkurs in Python | 31 | ||
| Grundlagen | 31 | ||
| Python installieren | 31 | ||
| Zen und Python | 32 | ||
| Formatieren durch Leerzeichen | 32 | ||
| Module | 33 | ||
| Arithmetik | 34 | ||
| Funktionen | 34 | ||
| Strings | 35 | ||
| Exceptions | 36 | ||
| Listen | 36 | ||
| Tupel | 38 | ||
| Dictionaries | 38 | ||
| defaultdict | 40 | ||
| Counter | 41 | ||
| Sets | 41 | ||
| Kontrollfluss | 42 | ||
| Wahrheitswerte | 43 | ||
| Über die Grundlagen hinaus | 44 | ||
| Sortieren | 44 | ||
| List Comprehensions | 45 | ||
| Generatoren und Iteratoren | 45 | ||
| Zufall | 47 | ||
| Reguläre Ausdrücke | 48 | ||
| Objektorientierte Programmierung | 48 | ||
| Funktionale Hilfsmittel | 49 | ||
| enumerate | 51 | ||
| zip und Entpacken von Argumenten | 51 | ||
| args und kwargs | 52 | ||
| Willkommen bei DataSciencester! | 53 | ||
| Weiterführendes Material | 53 | ||
| Kapitel 3 – Daten visualisieren | 55 | ||
| matplotlib | 55 | ||
| Balkendiagramme | 57 | ||
| Liniendiagramme | 61 | ||
| Scatterplots | 62 | ||
| Weiterführendes Material | 65 | ||
| Kapitel 4 – Lineare Algebra | 67 | ||
| Vektoren | 67 | ||
| Matrizen | 71 | ||
| Weiterführendes Material | 74 | ||
| Kapitel 5 – Statistik | 75 | ||
| Einen einzelnen Datensatz beschreiben | 75 | ||
| Lagemaße | 77 | ||
| Streuung | 79 | ||
| Korrelation | 80 | ||
| Das Simpson-Paradoxon | 83 | ||
| Weitere Fallstricke von Korrelationen | 84 | ||
| Korrelation und Kausalität | 85 | ||
| Weiterführendes Material | 86 | ||
| Kapitel 6 – Wahrscheinlichkeit | 87 | ||
| Abhängigkeit und Unabhängigkeit | 87 | ||
| Bedingte Wahrscheinlichkeit | 88 | ||
| Der Satz von Bayes | 90 | ||
| Zufallsvariablen | 91 | ||
| Kontinuierliche Wahrscheinlichkeitsverteilungen | 92 | ||
| Die Normalverteilung | 93 | ||
| Der zentrale Grenzwertsatz | 97 | ||
| Weiterführendes Material | 99 | ||
| Kapitel 7 – Hypothesen und Schlussfolgerungen | 101 | ||
| Testen statistischer Hypothesen | 101 | ||
| Beispiel: Münzwürfe | 101 | ||
| p-Werte | 104 | ||
| Konfidenzintervalle | 106 | ||
| P-Hacking | 107 | ||
| Beispiel: Durchführen eines A/B-Tests | 108 | ||
| Bayessche Inferenz | 109 | ||
| Weiterführendes Material | 113 | ||
| Kapitel 8 – Die Gradientenmethode | 115 | ||
| Die Idee hinter der Gradientenmethode | 115 | ||
| Abschätzen des Gradienten | 116 | ||
| Den Gradienten verwenden | 119 | ||
| Auswahl der richtigen Schrittweite | 120 | ||
| Anwendungsbeispiel | 120 | ||
| Stochastische Gradientenmethode | 122 | ||
| Weiterführendes Material | 123 | ||
| Kapitel 9 – Daten sammeln | 125 | ||
| stdin und stdout | 125 | ||
| Einlesen von Dateien | 127 | ||
| Grundlagen von Textdateien | 127 | ||
| Dateien mit Feldtrennern | 128 | ||
| Auslesen von Webseiten | 130 | ||
| Parsen von HTML-Dokumenten | 130 | ||
| Beispiel: O&apos | 132 | ||
| Verwenden von APIs | 137 | ||
| JSON (und XML) | 137 | ||
| Eine nicht authentifizierte API verwenden | 138 | ||
| APIs finden | 139 | ||
| Beispiel: Verwenden der Twitter-APIs | 140 | ||
| Zugriff auf die APIs erhalten | 140 | ||
| Twython verwenden | 141 | ||
| Weiterführendes Material | 143 | ||
| Kapitel 10 – Arbeiten mit Daten | 145 | ||
| Erkunden Ihrer Daten | 145 | ||
| Erkunden eindimensionaler Daten | 145 | ||
| Zwei Dimensionen | 147 | ||
| Mehrere Dimensionen | 149 | ||
| Bereinigen und Umformen | 151 | ||
| Manipulieren von Daten | 153 | ||
| Umskalieren | 157 | ||
| Hauptkomponentenanalyse | 158 | ||
| Weiterführendes Material | 164 | ||
| Kapitel 11 – Maschinelles Lernen | 165 | ||
| Modellieren | 165 | ||
| Was ist maschinelles Lernen? | 166 | ||
| Overfitting und Underfitting | 167 | ||
| Genauigkeit | 169 | ||
| Der Kompromiss zwischen Bias und Varianz | 172 | ||
| Extraktion und Auswahl von Eigenschaften | 173 | ||
| Weiterführendes Material | 175 | ||
| Kapitel 12 – k-Nächste-Nachbarn | 177 | ||
| Das Modell | 177 | ||
| Beispiel: bevorzugte Programmiersprachen | 179 | ||
| Der Fluch der Dimensionalität | 183 | ||
| Weiterführendes Material | 189 | ||
| Kapitel 13 – Naive Bayes-Klassifikatoren | 191 | ||
| Ein wirklich primitiver Spam-Filter | 191 | ||
| Ein anspruchsvollerer Spam-Filter | 192 | ||
| Implementierung | 194 | ||
| Testen des Modells | 195 | ||
| Weiterführendes Material | 198 | ||
| Kapitel 14 – Einfache lineare Regression | 199 | ||
| Das Modell | 199 | ||
| Anwenden des Gradientenverfahrens | 202 | ||
| Maximum-Likelihood-Methode | 203 | ||
| Weiterführendes Material | 203 | ||
| Kapitel 15 – Multiple Regression | 205 | ||
| Das Modell | 205 | ||
| Weitere Annahmen bei der Methode der kleinsten Quadrate | 206 | ||
| Anpassen des Modells | 207 | ||
| Interpretation des Modells | 208 | ||
| Anpassungsgüte | 209 | ||
| Exkurs: Bootstrapping | 210 | ||
| Standardfehler von Regressionskoeffizienten | 211 | ||
| Regularisierung | 213 | ||
| Weiterführendes Material | 215 | ||
| Kapitel 16 – Logistische Regression | 217 | ||
| Die Aufgabe | 217 | ||
| Die logistische Funktion | 220 | ||
| Anwendung des Modells | 222 | ||
| Anpassungsgüte | 223 | ||
| Support Vector Machines | 224 | ||
| Weiterführendes Material | 228 | ||
| Kapitel 17 – Entscheidungsbäume | 229 | ||
| Was ist ein Entscheidungsbaum? | 229 | ||
| Entropie | 231 | ||
| Die Entropie einer Partition | 233 | ||
| Einen Entscheidungsbaum erzeugen | 234 | ||
| Verallgemeinerung des Verfahrens | 237 | ||
| Random Forests | 239 | ||
| Weiterführendes Material | 240 | ||
| Kapitel 18 – Neuronale Netzwerke | 241 | ||
| Perzeptrons | 241 | ||
| Feed-forward-Netze | 243 | ||
| Backpropagation | 246 | ||
| Beispiel: Bezwingen eines CAPTCHA | 247 | ||
| Weiterführendes Material | 252 | ||
| Kapitel 19 – Clustering | 253 | ||
| Die Idee | 253 | ||
| Das Modell | 254 | ||
| Beispiel: Meetups | 255 | ||
| Die Auswahl von k | 258 | ||
| Beispiel: Clustern von Farben | 259 | ||
| Agglomeratives hierarchisches Clustering | 261 | ||
| Weiterführendes Material | 266 | ||
| Kapitel 20 – Linguistische Datenverarbeitung | 267 | ||
| Wortwolken | 267 | ||
| N-Gramm-Modelle | 269 | ||
| Grammatiken | 272 | ||
| Exkurs: Gibbs-Sampling | 274 | ||
| Themenmodellierung | 276 | ||
| Weiterführendes Material | 281 | ||
| Kapitel 21 – Graphenanalyse | 283 | ||
| Betweenness-Zentralität | 283 | ||
| Eigenvektor-Zentralität | 288 | ||
| Matrizenmultiplikation | 288 | ||
| Zentralität | 291 | ||
| Gerichtete Graphen und PageRank | 292 | ||
| Weiterführendes Material | 295 | ||
| Kapitel 22 – Empfehlungssysteme | 297 | ||
| Manuelle Pflege | 298 | ||
| Empfehlen, was beliebt ist | 298 | ||
| Nutzerbasiertes kollaboratives Filtern | 299 | ||
| Gegenstandsbasiertes kollaboratives Filtern | 302 | ||
| Weiterführendes Material | 304 | ||
| Kapitel 23 – Datenbanken und SQL | 305 | ||
| CREATE TABLE und INSERT | 305 | ||
| UPDATE | 307 | ||
| DELETE | 308 | ||
| SELECT | 308 | ||
| GROUP BY | 310 | ||
| ORDER BY | 312 | ||
| JOIN | 313 | ||
| Subqueries | 316 | ||
| Indexstrukturen | 316 | ||
| Optimierung von Anfragen | 317 | ||
| NoSQL | 317 | ||
| Weiterführendes Material | 318 | ||
| Kapitel 24 – MapReduce | 319 | ||
| Beispiel: Wörter zählen | 319 | ||
| Warum MapReduce? | 321 | ||
| MapReduce verallgemeinert | 322 | ||
| Beispiel: Statusmeldungen analysieren | 323 | ||
| Beispiel: Matrizenmultiplikation | 324 | ||
| Eine Randbemerkung: Combiners | 326 | ||
| Weiterführendes Material | 326 | ||
| Kapitel 25 – Gehet hin und praktizieret Data Science | 329 | ||
| IPython | 329 | ||
| Mathematik | 330 | ||
| Nicht bei null starten | 330 | ||
| NumPy | 331 | ||
| pandas | 331 | ||
| scikit-learn | 331 | ||
| Visualisierung | 331 | ||
| R | 332 | ||
| Finden Sie Daten | 332 | ||
| Data Science in der Praxis | 333 | ||
| Hacker News | 333 | ||
| Feuerwehrautos | 333 | ||
| T-Shirts | 334 | ||
| Und Sie? | 335 | ||
| Index | 337 | ||
| Über den Autor/Übersetzer/Kolophon | 347 | ||
| www.oreilly.de | 0 |
