|
Inhaltsverzeichnis |
6 |
|
|
Herausgeber- und Autorenverzeichnis |
12 |
|
|
Teil I Einleitung |
15 |
|
|
1 Data Science: Vom Begriff zur Anwendung |
16 |
|
|
Zusammenfassung |
16 |
|
|
1.1 Was ist Data Science? |
17 |
|
|
1.2 Was ist und was macht ein Data Scientist? |
18 |
|
|
1.3 Einführung in Data Science |
20 |
|
|
1.4 Systeme, Werkzeuge und Methoden |
20 |
|
|
1.5 Anwendungen |
21 |
|
|
Literatur |
22 |
|
|
Teil II Einführung in Data Science |
23 |
|
|
2 Visualisierung und Deep Learning in der Data Science |
24 |
|
|
Zusammenfassung |
24 |
|
|
2.1 Einleitung |
25 |
|
|
2.2 Verfahren für die visuelle Aufbereitung von Daten |
26 |
|
|
2.2.1 Einfache Daten und Texte darstellen |
26 |
|
|
2.2.2 Komplexe Daten vereinfachen und darstellen |
29 |
|
|
2.2.2.1 Matrixplot |
29 |
|
|
2.2.2.2 Hauptkomponentenanalyse und multidimensionale Skalierung |
31 |
|
|
2.2.2.3 t-SNE |
33 |
|
|
2.3 Bildinformationen extrahieren |
33 |
|
|
2.3.1 Visuelle Strukturen mit Deep Learning erkennen |
35 |
|
|
2.3.2 Architekturen für die Praxis |
36 |
|
|
2.4 Zusammenführung von Bild und Daten |
36 |
|
|
2.4.1 Generierung anreichernder Detailinformationen |
36 |
|
|
2.4.2 Transformation visueller Repräsentationen |
37 |
|
|
2.4.3 Einsatzmöglichkeiten |
39 |
|
|
2.5 Zusammenfassung |
40 |
|
|
Literatur |
40 |
|
|
3 Digitale Ethik in datengetriebenen Organisationen und deren Anwendung am Beispiel von KI-Ethik |
43 |
|
|
Zusammenfassung |
44 |
|
|
3.1 Einführung |
44 |
|
|
3.2 Datengetriebene Organisationen |
45 |
|
|
3.2.1 Begriff der datengetriebenen Organisation |
45 |
|
|
3.2.2 Technologienutzung datengetriebener Organisationen |
46 |
|
|
3.2.3 Datengetriebene Unternehmenskultur |
49 |
|
|
3.3 Digitale Ethik |
50 |
|
|
3.3.1 Begriff und Moraltheorien |
50 |
|
|
3.3.2 Überblick über digital-ethische Grundsätze |
51 |
|
|
3.4 Digitale Ethik und datengetriebene Organisationen |
52 |
|
|
3.4.1 Digital-ethische Grundsätze und Datenwertschöpfung |
52 |
|
|
3.4.2 Konsequenzen für die Gestaltung datengetriebener Organisationen |
53 |
|
|
3.5 Fallbeispiel Deutsche Telekom AG: Operationalisierung einer KI-Ethik |
55 |
|
|
3.5.1 Motivation des Konzerns zur Entwicklung einer digitalen Ethik |
55 |
|
|
3.5.2 KI-Ethik bei der DTAG |
55 |
|
|
3.6 Zusammenfassung und Ausblick |
59 |
|
|
Literatur |
60 |
|
|
4 Multiple Perspektiven bei der Implementierung innovativer technologischer Lösungen im Kontext datengesteuerter Entscheidungsfindung |
63 |
|
|
Zusammenfassung |
64 |
|
|
4.1 Warum die Implementierung innovativer Technologien eine umfassende Herangehensweise notwendig macht |
64 |
|
|
4.2 Modelle aus der Literatur und ihre Schwachstellen |
66 |
|
|
4.3 Das Technological and Organisational Coherence Implementation-Modell (TOCI-Modell) |
69 |
|
|
4.4 Vorteile und Besonderheiten des TOCI-Modells |
72 |
|
|
4.5 Mögliche nützliche Erweiterungen des TOCI-Modells |
74 |
|
|
4.6 Ausblick |
75 |
|
|
Literatur |
76 |
|
|
5 Keine Angst vor Fehlschlägen – Erkenntnisse aus einer Umfrage zum Scheitern von Data-Science-Projekten |
79 |
|
|
Zusammenfassung |
79 |
|
|
5.1 Einleitung |
80 |
|
|
5.2 Merkmale von und Hypothesen zu Data-Science-Projekten |
81 |
|
|
5.3 Konzeption und Durchführung der Umfrage |
83 |
|
|
5.4 Auswertung der Umfrage |
85 |
|
|
5.5 Fazit und Ausblick |
89 |
|
|
Literatur |
90 |
|
|
Teil III Systeme, Werkzeuge und Methoden |
92 |
|
|
6 Empfehlungssysteme und der Einsatz maschineller Lernverfahren |
93 |
|
|
Zusammenfassung |
93 |
|
|
6.1 Einleitung |
94 |
|
|
6.2 Kollaborative Empfehlungssysteme |
96 |
|
|
6.2.1 Ansätze |
96 |
|
|
6.2.2 Methoden |
97 |
|
|
6.3 Inhaltsbasierte Empfehlungssysteme |
100 |
|
|
6.3.1 Ansatz |
100 |
|
|
6.3.2 Methoden |
101 |
|
|
6.4 Weitere Konzepte |
102 |
|
|
6.4.1 Demografische Empfehlungssysteme |
102 |
|
|
6.4.2 Wissensbasierte Empfehlungssysteme |
103 |
|
|
6.4.3 Hybride Empfehlungssysteme |
103 |
|
|
6.5 Aktuelle Entwicklungen |
104 |
|
|
6.6 Zusammenfassung |
105 |
|
|
Literatur |
105 |
|
|
7 Vergleich der Machine-Learning-Funktionalitäten von Business-Intelligence- und Analytics-Tools |
109 |
|
|
Zusammenfassung |
110 |
|
|
7.1 Einleitung |
111 |
|
|
7.2 Bewertungsrahmen der Business-Intelligence-Tools |
112 |
|
|
7.2.1 Auswahl der BI-Tools |
112 |
|
|
7.2.2 Personas |
112 |
|
|
7.2.2.1 Persona 1: Experte/in |
112 |
|
|
7.2.2.2 Persona 2: Laie |
113 |
|
|
7.2.3 Vergleichskriterien |
113 |
|
|
7.2.4 Testdatensets |
115 |
|
|
7.3 Vergleich der ML-Methoden |
116 |
|
|
7.3.1 SAP Analytics Cloud |
116 |
|
|
7.3.2 Tableau Online/Tableau Desktop |
119 |
|
|
7.3.3 Qlik Sense Business/Qlik Sense Desktop |
120 |
|
|
7.3.4 TIBCO Cloud Spotfire |
121 |
|
|
7.3.5 RapidMiner |
125 |
|
|
7.4 Empfehlungen |
129 |
|
|
Literatur |
132 |
|
|
8 Data-Science-Projekte mit dem Vorgehensmodell „DASC-PM“ durchführen: Kompetenzen, Rollen und Abläufe |
135 |
|
|
Zusammenfassung |
136 |
|
|
8.1 Einleitung |
136 |
|
|
8.2 Ablauf eines Projektes mit DASC-PM |
137 |
|
|
8.2.1 DASC-PM im Überblick |
137 |
|
|
8.2.2 Projektauftrag |
139 |
|
|
8.2.3 Datenbereitstellung |
140 |
|
|
8.2.4 Analyse |
142 |
|
|
8.2.5 Nutzbarmachung |
144 |
|
|
8.2.6 Nutzung |
145 |
|
|
8.3 Phasenübergreifende Schlüsselbereiche |
146 |
|
|
8.4 Kompetenzorientierte Teamsteuerung mit Rollen |
148 |
|
|
8.5 Fazit |
150 |
|
|
Literatur |
151 |
|
|
Teil IV Anwendungen |
153 |
|
|
9 Integration erneuerbarer Energien – KI-basierte Vorhersageverfahren zur Stromerzeugung durch Photovoltaikanlagen |
154 |
|
|
Zusammenfassung |
155 |
|
|
9.1 Einleitung und Motivation: Integration Erneuerbarer Energien |
155 |
|
|
9.2 Datenaufbereitung |
157 |
|
|
9.2.1 Datenerfassung |
158 |
|
|
9.2.2 Datenerkundung |
161 |
|
|
9.2.3 Datenbereinigung |
163 |
|
|
9.2.4 Datentransformation |
163 |
|
|
9.3 KI-basierte Vorhersageverfahren |
164 |
|
|
9.3.1 Ansätze auf Basis von künstlichen neuronalen Netzen |
166 |
|
|
9.3.2 Ansätze auf Basis von Ensemble Machine Learning |
167 |
|
|
9.4 Fusion der Ergebnisse |
170 |
|
|
9.5 Anwendungsbeispiele und Ausblick |
172 |
|
|
Literatur |
174 |
|
|
10 Machine Learning für die Energiemanagementoptimierung |
178 |
|
|
Zusammenfassung |
179 |
|
|
10.1 Digital Twin für eine Klimatisierungsanlage mit passiver und aktiver Wärmerückgewinnung |
179 |
|
|
10.2 Konzeption und Architektur |
183 |
|
|
10.3 Analyse und Evaluation der Datenbearbeitungsschritte |
184 |
|
|
10.3.1 Schritt 1: Daten erheben |
184 |
|
|
10.3.2 Schritt 2: Daten bereinigen |
185 |
|
|
10.3.3 Schritt 3: Daten klassifizieren |
186 |
|
|
10.3.4 Schritt 4: Daten filtern |
189 |
|
|
10.3.5 Schritt 5: Vorhersage berechnen |
190 |
|
|
10.4 Proof-of-Concept |
193 |
|
|
10.4.1 Methoden- und Technologien-Stack |
193 |
|
|
10.4.2 Visualisierung der Ergebnisse |
194 |
|
|
10.5 Fazit |
195 |
|
|
10.6 Ausblick |
196 |
|
|
10.6.1 Weitere Analyseansätze |
196 |
|
|
10.6.2 Anwendungsmöglichkeiten |
196 |
|
|
Literatur |
197 |
|
|
11 Text Mining bei einer wissenschaftlichen Literaturauswertung: Extraktion von Schlüsselwörtern zur Beschreibung von Inhalten |
199 |
|
|
Zusammenfassung |
199 |
|
|
11.1 Einführung |
200 |
|
|
11.2 Explainable Artificial Intelligence |
200 |
|
|
11.3 Extraktion von Schlüsselwörtern |
201 |
|
|
11.4 Extraktion von Schlüsselwörtern für eine Literaturauswertung zu „Explainable AI“ |
201 |
|
|
11.5 Fazit |
203 |
|
|
Literatur |
204 |
|
|
12 Identifikation relevanter Zusammenhänge in Daten mit maschinellem Lernen |
206 |
|
|
Zusammenfassung |
206 |
|
|
12.1 Einleitung |
207 |
|
|
12.2 Fachliche Problemstellung |
208 |
|
|
12.3 Ansätze zur Reduzierung von Regelmengen |
210 |
|
|
12.3.1 Association Rule Discovery |
211 |
|
|
12.3.2 Subgroup Discovery |
213 |
|
|
12.4 Gütebestimmung von reduzierten Regelmengen |
215 |
|
|
12.5 Kombinationssystematik |
216 |
|
|
12.6 Ergebnisse |
218 |
|
|
12.7 Zusammenfassung |
221 |
|
|
Literatur |
221 |
|
|
13 Framework für das Management und die Analyse von Fahrzeugdaten für die modellbasierte Fahrerassistenzsystementwicklung in Lehre und Forschung |
224 |
|
|
Zusammenfassung |
225 |
|
|
13.1 Motivation |
225 |
|
|
13.2 Wildauer Maschinen Werke an der TH Wildau |
226 |
|
|
13.3 Vorstellung Fahrzeugflotte |
227 |
|
|
13.3.1 Trikes |
227 |
|
|
13.3.2 Trucks |
229 |
|
|
13.4 Vorstellung Infrastruktur |
230 |
|
|
13.4.1 ROS |
230 |
|
|
13.4.2 Node-RED |
230 |
|
|
13.4.3 MQTT-Bridge |
231 |
|
|
13.4.4 ROS Car2X |
231 |
|
|
13.4.5 Lichtsignalanlagen |
231 |
|
|
13.4.6 VDI |
232 |
|
|
13.5 Entwicklungsframework |
233 |
|
|
13.5.1 Umsetzung Kommunikation Fahrzeuge |
233 |
|
|
13.5.2 Modellbasierte Entwicklung und Codegenerierung auf Fahrzeuge |
234 |
|
|
13.5.3 Agiles Projektmanagement, Wissensmanagement und Sourcecode-Management |
238 |
|
|
13.6 Szenarien-basierte Lehre und Forschung |
240 |
|
|
13.6.1 ROS Car2X als Datenaggregation und Funktionsverhalten über Fahrzeuge hinweg |
240 |
|
|
13.6.2 NodeRED zur Datenanalyse |
243 |
|
|
13.6.3 Interdisziplinäres Szenario am Beispiel Materialwirtschaft |
244 |
|
|
13.7 Zusammenfassung und Ausblick |
244 |
|
|
Literatur |
246 |
|
|
Stichwortverzeichnis |
248 |
|