© MaximP/Shutterstock.com
Entwickler Magazin
Teil 1: Data Analytics in der Praxis - Regressionsanalyse

Praxiserprobt

Erst kürzlich schlug die gezielte Werbekampagne von Donald Trump größere Wellen, weil seine Wähleransprache durch Data-Analytics-Modelle genau auf die entsprechenden Zielgruppen zugeschnitten war.

Nicolaj Kirchhof, Masanori Fujita


Video: Machine Learning: From Misery to Mastery

Artikelserie Teil 1: Data Analytics in der Praxis – Regressionsanalyse Teil 2: Klassifikation Teil 3: Cluster-Analyse Teil 4: Anomalieerkennung

Der Wunsch, aus Daten Erkenntnisse für unternehmerische Entscheidungen zu gewinnen, ist alt. Seit den 90ern bringen Unternehmen unter dem Stichwort „Business Intelligence“ ihre Daten in Data Warehouses zusammen und führen Analysen mit speziellen Tools durch. Was sich seitdem stark geändert hat und „Data Analytics“ als neue Herangehensweise rechtfertigt, sind vor allem zwei Dinge: Dank des technischen Fortschritts stehen heute wesentlich mehr Speicherkapazität und Rechenleistung zur Verfügung. Auch verursacht die Vernetzung immer niedrigere Kosten, sodass es schon fast zum Normalfall geworden ist, dass Dinge nicht nur Daten vor Ort produzieren, sondern diese Daten auch bei einer Zentrale abgeliefert, gespeichert und verarbeitet werden. Mit herkömmlichen ETL-Ansätzen ist es schwierig, Herr über die immer weiter wachsenden Datenmengen zu werden und flexibel auf die sich ständig verändernden wirtschaftlichen Fragestellungen einzugehen. So kommen heute Big-Data-Technologien und Machine-Learning-Verfahren für die Datenanalyse zum Einsatz.

Data-Analytics-Anwendungen, die in den letzten Jahren vor allem durch den Einsatz von Deep Learning einen gewaltigen Schritt nach vorn gemacht haben, finden sich vor allem bei den großen Firmen wie Google, Face­book und Apple. Sie beinhalten immer intelligentere Assistenten wie Siri und Ok Google, die über Sprach­eingabe steuerbar sind, oder auch die Fähigkeit von Programmen, Personen und Inhalt von Fotos zu erkennen und beschreiben zu können.

Unter dem Begriff „Machine Learning“ werden alle algorithmischen Verfahren zusammengefasst, die in der Lage sind, Zusammenhänge der Realität zu „lernen“, ohne dass diese dem Entwickler vorab bekannt sein müssen. Es ist verständlich, dass dieses Versprechen einen hohen Reiz auf Betriebswirte wie auch Softwareentwickler ausübt. Durch Marketing und Berichterstattung in den Medien ist Machine Learning jedoch stark ins Rampenlicht gerückt und hat in jüngster Vergangenheit teilweise nicht nur bei Laien, sondern auch bei IT-Experten überzogene Erwartungen geweckt.

Der vorliegende Artikel ist der erste aus einer Artikelreihe, in der wir zeigen möchten, was mit frei verfügbaren Mitteln wirklich möglich ist. Wir werden verschiedene Data-Analytics-Verfahren mitilfe konkreter Beispiele vorstellen, die ang...

Entwickler Magazin
Teil 1: Data Analytics in der Praxis - Regressionsanalyse

Praxiserprobt

Erst kürzlich schlug die gezielte Werbekampagne von Donald Trump größere Wellen, weil seine Wähleransprache durch Data-Analytics-Modelle genau auf die entsprechenden Zielgruppen zugeschnitten war.

Nicolaj Kirchhof, Masanori Fujita


Video: Machine Learning: From Misery to Mastery

Artikelserie Teil 1: Data Analytics in der Praxis – Regressionsanalyse Teil 2: Klassifikation Teil 3: Cluster-Analyse Teil 4: Anomalieerkennung

Der Wunsch, aus Daten Erkenntnisse für unternehmerische Entscheidungen zu gewinnen, ist alt. Seit den 90ern bringen Unternehmen unter dem Stichwort „Business Intelligence“ ihre Daten in Data Warehouses zusammen und führen Analysen mit speziellen Tools durch. Was sich seitdem stark geändert hat und „Data Analytics“ als neue Herangehensweise rechtfertigt, sind vor allem zwei Dinge: Dank des technischen Fortschritts stehen heute wesentlich mehr Speicherkapazität und Rechenleistung zur Verfügung. Auch verursacht die Vernetzung immer niedrigere Kosten, sodass es schon fast zum Normalfall geworden ist, dass Dinge nicht nur Daten vor Ort produzieren, sondern diese Daten auch bei einer Zentrale abgeliefert, gespeichert und verarbeitet werden. Mit herkömmlichen ETL-Ansätzen ist es schwierig, Herr über die immer weiter wachsenden Datenmengen zu werden und flexibel auf die sich ständig verändernden wirtschaftlichen Fragestellungen einzugehen. So kommen heute Big-Data-Technologien und Machine-Learning-Verfahren für die Datenanalyse zum Einsatz.

Data-Analytics-Anwendungen, die in den letzten Jahren vor allem durch den Einsatz von Deep Learning einen gewaltigen Schritt nach vorn gemacht haben, finden sich vor allem bei den großen Firmen wie Google, Face­book und Apple. Sie beinhalten immer intelligentere Assistenten wie Siri und Ok Google, die über Sprach­eingabe steuerbar sind, oder auch die Fähigkeit von Programmen, Personen und Inhalt von Fotos zu erkennen und beschreiben zu können.

Unter dem Begriff „Machine Learning“ werden alle algorithmischen Verfahren zusammengefasst, die in der Lage sind, Zusammenhänge der Realität zu „lernen“, ohne dass diese dem Entwickler vorab bekannt sein müssen. Es ist verständlich, dass dieses Versprechen einen hohen Reiz auf Betriebswirte wie auch Softwareentwickler ausübt. Durch Marketing und Berichterstattung in den Medien ist Machine Learning jedoch stark ins Rampenlicht gerückt und hat in jüngster Vergangenheit teilweise nicht nur bei Laien, sondern auch bei IT-Experten überzogene Erwartungen geweckt.

Der vorliegende Artikel ist der erste aus einer Artikelreihe, in der wir zeigen möchten, was mit frei verfügbaren Mitteln wirklich möglich ist. Wir werden verschiedene Data-Analytics-Verfahren mitilfe konkreter Beispiele vorstellen, die ang...

Neugierig geworden?


   
Loading...

Angebote für Teams

Für Firmen haben wir individuelle Teamlizenzen. Wir erstellen Ihnen gerne ein passendes Angebot.

Das Library-Modell:
IP-Zugang

Das Company-Modell:
Domain-Zugang