Fazit
Das Buch versammelt Beiträge von mehr als 40 Autoren und aus mehr als 20 Unternehmen und Organisationen. Mit seinem hohen Praxisanteil und einem kurzen Theorieteil ist es daher für diejenigen geeignet, die weniger an der Mathematik und an den Grundlagen der Informatik von Data Science wie der Programmiersprache interessiert sind.
Doch wer sich für diese wichtigen Grundlagen interessiert: Hierzu gibt es bereits eine Reihe von anderen Büchern, wie die Herausgeber richtig schreiben, und meine folgende Literaturliste zeigt.
Das Buch der Herausgeber ist ein tolles Werk für jeden, der an der praktischen Umsetzung von Data Science Projekten interessiert ist oder diese bereits betreibt, hierzu Anregungen sucht und sich von der Vielfalt der Ansätze, Anwender und Branchen überraschen lässt!
Viel Freude beim Lesen und alles Gute!
Herzliche Grüße, Stefan Klemens
PS: Lust auf einen Austausch zu People Analytics, Digital Assessment oder Künstliche Intelligenz im HRM? Dann vernetzen, Nachricht schreiben oder Termin für ein Online-Meeting vereinbaren.
Quellen und weitere Literatur
Quellen und weitere Literatur zu Data Science, Künstliche Intelligenz (Maschinelles Lernen, Deep Learning) und Python als wichtige Programmiersprache hierzu.
Alby, T. (2022). Data Science in der Praxis: Data Science in der Praxis – Eine verständliche Einführung in alle wichtigen Data-Science-Verfahren. Bonn: Rheinwerk.
Bruce, P., Bruce, A. & Gedeck, P. (2021). Praktische Statistik für Data Scientists: 50+ essenzielle Konzepte mit R und Python. Heidelberg: dpunkt.verlag mit O´Reilly.
Cleve, J. & Lämmel, U. (2020). Data Mining (3. Auflage). Berlin: De Gruyter.
Grus, J. (2019). Einführung in Data Science: Grundprinzipien der Datenanalyse mit Python (2. Auflage). Heidelberg: dpunkt.verlag mit O´Reilly. [Hinweis: Eine 3. Auflage ist in Planung laut Verlagshinweisen] [Tipp!]
Dieses Buch von Joel Grus nutzt die heute am häufigste genutze Programmiersprache für das Data Science: Python. Es gibt eine Reihe weitere ähnliche Fachbücher die (a) Data Science mit Python oder speziell (b) Maschine Learning mit Python zum Inhalt haben (z.B. Abdel-Karim, 2022; Géron, 2020; McKinney, 2018; Raschka & Mirjalili, 2021; Vanderplas, 2017; Vasiliev, 2022) sowie natürlich (c) Fachliteratur allein für Python (z.B. Klein, 2021; Kofler, 2022; Matthes, 2017).
Gutman, J. & Goldmeier, A. (2022). Werde ein Data Head: Data Science, Machine Learning und Statistik verstehen und datenintensive Jobs meistern. Heidelberg: dpunkt.verlag mit O´Reilly.
Herbold, S. (2022). Data-Science-Crashkurs: Eine interaktive und praktische Einführung (Mit Jupyter Notebooks). Heidelberg: dpunkt.verlag.
Herter, M. (2022). Was ist Data Science? In B. Wawrzyniak & M. Herter (Hrsg.), Neue Dimensionen in Data Science: Interdisziplinäre Ansätze und Anwendungen aus Wissenschaft und Wirtschaft (S. 17-34). Berlin, Offenbach: Wichmann (VDE).
https://www.vde-verlag.de/buecher/537721/neue-dimensionen-in-data-science.html
Oettinger, M. (2020). Data Science: Eine praxisorientierte Einführung im Umfeld von Machine Learning, künstlicher Intelligenz und Big Data (2., erweiterte Auflage). Hamburg: tredition. [siehe hierzu meinen Newsblog-Artikel] [Tipp!]
Otte, R. u.a.(2020). Von Data Mining bis Big Data: Handbuch für die industrielle Praxis. München: Hanser.
Otte, R. (2023). Künstliche Intelligenz für Dummies (2. Auflage). Weinheim: Wiley-VCH. [siehe hierzu meinen Newsblog-Artikel] [Tipp!]
Papp, S. u.a. (Hrsg.). (2022). Handbuch Data Science und KI: Mit Machine Learning und Datenanalyse Wert aus Daten generieren (2. Auflage). München: Hanser. [Hinweis: Eine englischsprachige Ausgabe hierzu ist ebenfalls erhältlich; siehe hierzu meinen Newsblog-Artikel] [Tipp!]
Wilmott, P. (2020). Grundkurs Machine Learning: Aus der Buchreihe »Informatik verstehen«. Ideal zum Selbststudium. Bonn: Rheinwerk.
