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