Aktion	Zweigstelle	Standorte	Status	Frist	Vorbestellungen
Vorbestellen	Zweigstelle: 07., Urban-Loritz-Pl. 2a	Standorte: GW.WH Smar / College 6e - Wirtschaft	Status: Verfügbar	Frist:	Vorbestellungen: 0
Vorbestellen	Zweigstelle: 07., Urban-Loritz-Pl. 2a	Standorte: NT.AT Smar / College 6b - Technik	Status: Verfügbar	Frist:	Vorbestellungen: 0

VERLAGSTEXT: / Mit diesem Werk erhalten Sie konkrete Lösungsvorschläge und umfassende Handlungsempfehlungen, wie Sie Ihren Dienstleistungsbereich ausbauen oder gewinnbringende Angebote entwickeln können. Systematische Vorgehensweisen und Checklisten geben Ihnen wertvolle Hilfestellungen bei der Umsetzung. / AUS DEM INHALT: / 1 Einleitung|1 / 1.1 Ein motivierendes Beispiel|1 / 1.2 Für wen ist dieses Buch und wie kann man es lesen?|8 / 1.3 Smart Data Solutions statt Big Data|10 / 1.4 Das Smart Data Solution Center Baden-Württemberg|14 / 1.4.1 Warum ein Smart Data Solution Center?|15 / 1.4.2 Ablauf einer Potentialanalyse|16 / 1.4.3 Drei Beispiele|17 / 1.4.4 Die Partner|21 / 1.4.5 Das Smart Data Innovation Lab|23 / 2 Grundlagen|25 / 2.1 Smart Data vs. Big Data|25 / 2.1.1 Die 3Vs: Volume, Velocity, Variety|26 / 2.1.2 Veracity, Validity, Value|27 / 2.1.3 Variability, Venue, Vocabulary|29 / 2.1.4 Das verbliebene V: Vagueness|30 / 2.1.5 Smart Data|31 / 2.2 Datengetriebene Innovation|33 / 2.2.1 Business Intelligence und Verbesserungsprozesse|35 / 2.2.2 Operative Geschäftsdaten für Innovation nutzen|36 / 2.2.3 Vom eingebetteten System zum Datensee|37 / 2.2.4 Kontextsensitive Systeme|39 / 2.3 Data Analytics und Maschinelles Lernen|46 / 2.3.1 Business Analytics|49 / 2.3.2 Klassifikation eines Merkmalsraums|50 / 2.3.3 Supervised Learning|53 / 2.3.4 Prädiktion und prädiktive Analyse|57 / 2.4 Die Bewertung von Vorhersagen|60 / 2.4.1 Fehlermaße als Bewertungsfunktion|60 / 2.4.2 Validierungsschema|66 / 2.4.3 Automatische Verbesserung von Klassifikatoren|73 / 2.5 Merkmale und Datentypen|77 / 2.5.1 Automatische Merkmalsselektion und -bewertung|80 / 2.5.2 Lernen von Merkmalen|83 / 2.5.3 Zeitserien und Sensordaten|93 / 2.5.4 Texte|99 / 2.5.5 Graphen, Linked Data, geographische Daten|101 / 2.5.6 Geographische Daten|103 / 3 Visualisierung und Interpretation|106 / 3.1 Der menschliche Wahrnehmungsapparat|108 / 3.2 Übersicht gebräuchlicher Visualisierungsmethoden|113 / 3.2.1 Balken- und Säulendiagramm|113 / 3.2.2 Histogramm|116 / 3.2.3 Tortendiagramm|119 / 3.2.4 Netzdiagramm|120 / 3.2.5 Kalender-Heat Map|123 / 3.2.6 Raumbezogene Geodaten|126 / 3.2.7 Liniendiagramm|127 / 3.2.8 Mindmap|128 / 3.2.9 Social Media-Netzwerkdiagramm|129 / 3.2.10 Graph|131 / 3.2.11 Kissendiagramm|135 / 3.2.12 Sehnendiagramm|137 / 3.2.13 Box-Plot|138 / 3.2.14 Punkt- oder Streudiagramm, Scatter-Plot|141 / 3.2.15 Dichte-Plot|143 / 3.3 Interaktive Visualisierung|145 / 3.3.1 Das bewegte Bild|145 / 3.3.2 Erkundung des Hypothesenraums|147 / 3.3.3 Höhere Dimensionen|148 / 3.3.4 Exploration|150 / 3.4 Interpretation|151 / 4 Praxisbeipiele|158 / 4.1 Voraussage der Auftragsbearbeitungszeit|158 / 4.1.1 Daten|159 / 4.1.2 Analyse|164 / 4.1.3 Bewertung|167 / 4.2 Zustandsbasierte Wartung|171 / 4.2.1 Daten|172 / 4.2.2 Analyse|174 / 4.2.3 Bewertung|177 / 4.3 Fehler in Protokollen vorhersagen|180 / 4.3.1 Daten|181 / 4.3.2 Analyse|182 / 4.3.3 Bewertung|185 / 4.4 Fehlerursachen lokalisieren|187 / 4.4.1 Daten|188 / 4.4.2 Analyse|189 / 4.4.3 Bewertung|192 / 4.5 Materialnutzung optimieren|194 / 4.5.1 Daten|195 / 4.5.2 Analyse|196 / 4.5.3 Bewertung|200 / 4.6 Energieverbrauch auf die Schliche kommen|201 / 4.6.1 Daten|202 / 4.6.2 Analyse|204 / 4.6.3 Bewertung|205 / 4.7 Qualitätsschwankungen verstehen|208 / 4.8 Schneller den Kunden- oder Partnerpool erweitern|211 / 4.9 Kündigungen verhindern und Kunden binden|213 / 4.10 Mehrfachmeldungen zusammenfassen|214 / 4.11 Den perfekten Moment abpassen|217 / 5 Organisatorische Anforderungen|221 / 5.1 Prozesse|221 / 5.1.1 Ein einfacher Prozess|222 / 5.1.2 Eine andere Sicht auf den Prozess|225 / 5.1.3 Cross Industry Standard Process for Data Mining / (CRISP-DM)|228 / 5.2 Teams|235 / 5.2.1 Ausschließlich externer Smart Data Analytics-Partner|236 / 5.2.2 Zusammenarbeit interner und externer Smart Data / Analytics-Experten|239 / 5.2.3 Rein internes Smart Data Analytics Team|240 / 5.3 Geschäftsmodelle|243 / 5.3.1 Vom Kauf zur Abrechnung nach Nutzung|243 / 5.3.2 Wertschöpfung aus den Daten|244 / 5.3.3 Smart Data als eigenes Geschäftsfeld|246 / 5.4 Fallstricke und Gefahren|248 / 5.4.1 Smart Data Analytics ist anders|248 / 5.4.2 Alles in den Data Lake?|250 / 5.4.3 Hidden Biases|252 / 5.4.4 Big Data - Inklusion oder Exklusion?|254 / 5.4.5 Seien Sie skeptisch|255 / 5.4.6 Maßnahmen|258 / 6 Datenschutz und Schutzrechte|263 / 6.1 Datenschutz gilt bei personenbezogenen Daten|264 / 6.1.1 Welche Regelungen zum Datenschutz gibt es?|266 / 6.1.2 Der Schutz der Daten schützt Menschen|267 / 6.1.3 Grundsätze des Datenschutzrechts|268 / 6.1.4 Datenschutzrecht greift nur bei persönlichen Daten und / bestimmten Handlungen|269 / 6.1.5 Die Einwilligung im Datenschutzrecht|270 / 6.1.6 Welche Rechte hat die Betroffene?|271 / 6.1.7 Pflichten für Unternehmen|272 / 6.1.8 Sanktionen bei Verstößen gegen das / Datenschutzrecht|273 / 6.2 Arbeitnehmerdatenschutz/Beschäftigtendatenschutz|277 / 6.2.1 Rechtliche Grundlagen|277 / 6.2.2 ¿Erlaubnis¿ bei Begründung oder Durchführung des / Beschäftigungsverhältnisses|278 / 6.2.3 Neue europarechtliche Regelungen|279 / 6.2.4 Fallkonstellationen des Beschäftigtendatenschutzes|280 / 6.2.5 Mitbestimmung|282 / 6.2.6 Die Einwilligung in die Erhebung, Verarbeitung und Nutzung / von Beschäftigtendaten|284 / 6.3 Der Datenschutzbeauftragte im Unternehmen|284 / 6.3.1 Wann ist ein Datenschutzbeauftragter zu bestellen?|284 / 6.3.2 Welche Aufgaben hat der Datenschutzbeauftragte?|285 / 6.3.3 Bestellung und Eingliederung|286 / 6.3.4 Die neuen europarechtlichen Vorgaben|287 / 6.4 Auftragsdatenverarbeitung|288 / 6.4.1 Was ist Auftragsdatenverarbeitung?|288 / 6.4.2 Neue europarechtliche Vorgaben|290 / 6.5 Der Schutz des Datenbankherstellers|291 / 6.5.1 Was ist eine Datenbank und unter welchen Voraussetzungen / ist sie geschützt?|292 / 6.5.2 Welche Rechte hat der Datenbankhersteller?|294 / 6.5.3 Der Datenbankhersteller wird nicht schrankenlos / geschützt|295 / Bereitgestellt von | Technische Universität Wien / Angemeldet / Heruntergeladen am | 10.07.17 15:26 / 6.5.4 Grenzen der Vertragsfreiheit|295 / 7 Technologie|297 / 7.1 Von Lambda und Kappa Architekturen|297 / 7.1.1 Batchverarbeitung|298 / 7.1.2 Echtzeitverarbeitung|299 / 7.1.3 Lambda-Architektur: das Beste beider Welten|301 / 7.1.4 Scoring von maschinellem Lernen|302 / 7.1.5 Kappa-Architektur|305 / 7.2 Skalierung mit Apache Hadoop|306 / 7.2.1 Verteilte Dateisysteme|306 / 7.2.2 Verteilte Berechnung|309 / 7.2.3 Spark|316 / 7.3 Big Data und Datenbanken|318 / 7.3.1 NewSQL, BeyondSQL, SAP HANA|320 / 7.3.2 Analytics Datenbanken|321 / 7.3.3 Zeitserien- und Log-Datenbanken|323 / 7.4 Streaming|325 / 7.4.1 Complex Event Processing|325 / 7.4.2 Distributed Streaming System|327 / 7.5 Plattformunabhängigkeit und GPU-Frameworks|330 / 7.6 Analyseumgebungen|332 / 7.6.1 Excel|333 / 7.6.2 SPSS Modeler|336 / 7.6.3 RapidMiner|338 / 7.6.4 KNIME|339 / 7.6.5 Orange, Weka|339 / 7.6.6 Spezialisierte Werkzeuge zum unüberwachten Lernen|341 / 7.7 Programmiersprachen und Notebooks|342 / 7.7.1 R|342 / 7.7.2 Python und scikitLearn|345 / 7.7.3 Interaktive Notebooks|349 / 7.7.4 Mehr Programmiersprachen und Beispiel-Code|351 / 8 Wirtschaftliche Betrachtung|353 / 8.1 Kosten|356 / 8.1.1 Software|356 / 8.1.2 Hardware|366 / 8.1.3 Infrastruktur|371 / 8.1.4 Installation und Inbetriebnahme sowie Wartung|373 / 8.1.5 Datenschnittstellen|374 / 8.1.6 Datenaufbereitung|374 / 8.1.7 Prozessanbindung|377 / 8.1.8 Mitarbeiter|378 / 8.1.9 Mitarbeiterschulung/-weiterbildung|381 / 8.1.10 Unterstützung durch Dienstleister|382 / 8.2 Cloud vs. On-Premise|383 / 8.2.1 Wesentliche Charakteristika|383 / 8.2.2 Service-Modelle|385 / 8.2.3 Einsatzmodelle|388 / 8.2.4 Abwägung: Cloud vs. On-Premise|395 / 8.3 Return on Investment|400 / 8.3.1 Das Problem der Skalierung|401 / 8.3.2 Vorgehensweise|403 / 8.3.3 Von anderen lernen|404 /