Predictive Analytics und Data Mining

1. Front Matter

   Pages I-XI

   PDF

2. Data Science, Predictive Analytics oder einfach: – Datenanalyse –

   • Marlis von der Hude

   Pages 1-7

3. Deskriptive Verfahren

   1. Front Matter

      Pages 9-9

      PDF

   2. Deskriptive Statistik/Explorative Datenanalyse – mit einer kurzen Einführung in R

      • Marlis von der Hude

      Pages 11-32

   3. Korrelation

      • Marlis von der Hude

      Pages 33-40

4. Clusterverfahren

   1. Front Matter

      Pages 43-43

      PDF

   2. Distanzen zwischen Objekten

      • Marlis von der Hude

      Pages 43-48

   3. Clusteranalyse

      • Marlis von der Hude

      Pages 49-79

5. Dimensionsreduktion

   1. Front Matter

      Pages 83-83

      PDF

   2. Dimensionsreduktion – Hauptkomponentenanalyse englisch: principal components (PCA)

      • Marlis von der Hude

      Pages 83-92

6. Prädiktive Verfahren

   1. Front Matter

      Pages 95-95

      PDF

   2. Prädiktive Verfahren: Klassifikation und Regression

      • Marlis von der Hude

      Pages 95-97

   3. k-nächste Nachbarn (k nearest neighbours)

      • Marlis von der Hude

      Pages 99-106

   4. Regressionsanalyse – Ein klassisches Verfahren der Statistik

      • Marlis von der Hude

      Pages 107-123

   5. Logistische Regression – Ein Prognoseverfahren für die Klassifikationsfragestellung

      • Marlis von der Hude

      Pages 125-135

   6. Klassifikations- und Regressionsbäume (Trees)

      • Marlis von der Hude

      Pages 137-169

   7. Naives Bayes-Klassifikationsverfahren

      • Marlis von der Hude

      Pages 171-177

   8. Support-Vector-Machines

      • Marlis von der Hude

      Pages 179-199

   9. Neuronale Netze

      • Marlis von der Hude

      Pages 201-210

   10. Empirischer Vergleich der Performance verschiedener Klassifikationsverfahren

       • Marlis von der Hude

       Pages 211-218

Dieses Buch bietet einen leicht verständlichen Einstieg in die Thematik des Data Minings und der Prädiktiven Analyseverfahren. Als Methodensammlung gedacht, bietet es zu jedem Verfahren zunächst eine kurze Darstellung der Theorie und erklärt die zum Verständnis notwendigen Formeln. Es folgt jeweils eine Illustration der Verfahren mit Hilfe von Beispielen, die mit dem Programmpaket R erarbeitet werden. 
Zum Abschluss wird eine einfache Möglichkeit präsentiert, mit der die Performancewerte verschiedener Verfahren mit statistischen Mitteln verglichen werden können. Zum Einsatz kommen hierbei geeignete Grafiken und Konfidenzintervalle.
Das Buch verzichtet nicht auf Theorie, es präsentiert jedoch so wenig Theorie wie möglich, aber so viel wie nötig und ist somit optimal für Studium und Selbststudium geeignet.

• Deskriptive Datenanalyse
• Clusteranalyse
• Dimensionsreduktion
• Prädiktive Verfahren für Regressionsfragestellungen
• Prädiktive Verfahren für Klassifikationsfragestellungen
• Logistische Regression
• naive Bayes
• Support Vector Machines
• neuronale Netze
• Performanzvergleich

• Berlin, Germany

  Marlis von der Hude

Marlis von der Hude hat Mathematik mit dem Schwerpunkt Statistik an der Freien Universität Berlin studiert und anschließend an der Technischen Universität Berlin promoviert. Nach mehreren praktischen Tätigkeiten im Gesundheits- und Wirtschaftsbereich hat sie zuletzt viele Jahre im Fachbereich Informatik der Hochschule Bonn-Rhein-Sieg gelehrt.

Policies and ethics