Data Science Lernen

Praktische Anleitung zur Datenanalyse, die den gesamten Zyklus der Arbeit mit Informationen offenbart: von der Sammlung und Verarbeitung bis hin zum Aufbau von Modellen des maschinellen Lernens. Es wird die Arbeit mit den Werkzeugen pandas und SQL behandelt, Methoden zur Mustererkennung und Datenbereinigung. Verschiedene Informationsquellen werden beschrieben, einschließlich Text-, Binär- und Webdaten. Statistische Methoden werden detailliert dargelegt: Vertrauensintervalle, Hypothesenprüfung, Merkmalskonstruktion. Praktische Beispiele in Python aus verschiedenen Bereichen werden angeführt: Analyse von Transportsystemen, Umweltforschung, veterinärmedizinische Analytik. Die abschließenden Abschnitte sind der logistischen Regression und der Optimierung von Modellen für die Aufgaben der Textklassifizierung gewidmet.