DATENWISSENSCHAFT MIT PYTHON. ÜBERWACHTE LERNTECHNIKEN: DISKRIMINANZANALYSE, LOGIT- UND PROBIT-MODELLE, ZÄHLMODELLE, ENTSCHEIDUNGSBÄUME UND RANDOM FOREST

Data Science ist ein interdisziplinäres Feld, das Methoden, Algorithmen, Prozesse und Systeme verwendet, um Wissen und Schlussfolgerungen aus strukturierten und unstrukturierten Daten zu extrahieren. Es kombiniert Elemente der Statistik, Informatik, Mathematik und analytischen Techniken, um Probleme zu lösen, Vorhersagen zu treffen und Wert aus Daten zu generieren. Es stützt sich auf Big Data, um Muster, Trends und Beziehungen zu entdecken, die für die Entscheidungsfindung in verschiedenen Branchen verwendet werden können. Es ist eine wichtige Unterstützung für künstliche Intelligenz. Data Science verwendet zwei Arten von Techniken: überwachtes Lernen, bei dem ein Modell mit bekannten Eingabe- und Ausgabedaten trainiert wird, um zukünftige Ergebnisse vorherzusagen, und unüberwachtes Lernen, bei dem versteckte Muster oder intrinsische Strukturen in den Eingabedaten gefunden werden. Die meisten überwachten Lerntechniken werden in diesem Buch aus methodischer Sicht und aus praktischer Sicht mit Anwendungen durch Python-Software entwickelt. Die folgenden Techniken werden ausführlich untersucht: Diskriminanzanalyse, Logit-Modelle, Probit-Modelle, Zählmodelle, verallgemeinerte lineare Modelle, diskrete Auswahlmodelle, Entscheidungsbäume und Zufallswälder.