Data Science mit Big Data
Data Science mit Big Data
Techniken, Werkzeuge und Algorithmen zur Analyse großer Datenmengen49,99 €
inkl. MwSt. ggf. zzgl.
lieferbar
Sie sind Dozierende:r oder Lehrkraft? Bitte melden Sie sich an oder registrieren Sie sich, um kostenlos auf unsere Inhalte zugreifen zu können.
Prüfe ob du über deine Hochschulbibliothek Zugriff auf den Titel in der Hanser eLibrary hast.
Data Science mit Big Data in der Hanser eLibrary
Data Science mit Big Data in der Hanser eLibrary
- ISBN: 978-3-446-47640-0
- Erscheinungsdatum: 03/2026
- Sprache: Deutsch
- Auflage: 1
- Seitenanzahl: 783
- Farbigkeit: Komplett in Farbe
-
Produktsicherheit:
Carl Hanser Verlag GmbH & Co KG
Vilshofener Str. 10
81679 München
E-Mail: info@hanser.de
Sicherheitshinweis entsprechend Art.9 Abs. 7 Satz 2 GPSR entbehrlich
Produktinformationen "Data Science mit Big Data"
- Bietet einen umfassenden Überblick zum Umgang mit großen Datenmengen.
- Erläutert verständlich die zentralen Big-Data- Konzepte und zeigt deren Möglichkeiten und Grenzen auf.
- Illustriert die Datenspeicherung mit skalierbaren NoSQL-Systemen und zeigt die verteilte Verarbeitung mit Batch-, Micro-Batch- und modernen Streaming-Verfahren.
- Beschreibt anwendungsorientiert, wie moderne Datenplattformen entwickelt und durch Künstliche Intelligenz erweitert werden können.
- Ihr exklusiver Vorteil: E-Book inklusive beim Kauf des gedruckten Buches
Mit diesem Buch erhalten Sie einen praxisnahen und technologieunabhängigen Einstieg in den Umgang mit großen Datenmengen. Zahlreiche Beispiele werden mit gängigen Open-Source-Werkzeugen und modernen Container-Technologien (Docker) umgesetzt, sodass Sie Ihr neu erworbenes Wissen gleich ausprobieren können und der Umgang mit kommerziellen Produkten ebenfalls problemlos möglich wird. Das Buch startet mit den Herausforderungen, die sich durch die verteilte Verarbeitung von Daten ergeben, sobald diese nicht mehr auf einen Rechnerknoten passen. Sie lernen, wie Sie Big-Data-Analytics mit Verarbeitungsparadigmen wie Batch-, Micro-Batch- und Stream-Verarbeitung praktisch umsetzen können; ebenso wird auf die Vor- und Nachteile von NoSQL-Datenbanken eingegangen. Einblicke zur Visualisierung von Analyseergebnissen, in zufallsbasierte Big-Data-Algorithmen sowie in Referenz-Architekturen für den Aufbau skalierbarer Big-Data-Systeme runden das Buch ab. Dieses Lehrbuch und Nachschlagewerk ist ein verlässlicher Begleiter für Studium, Ausbildung und berufliche Praxis.
AUS DEM INHALT //
- Einstieg ins Thema
- Verteilte Systeme
- Big-Data-Management
- Data Warehouse, Data Lake(house), Data Mesh
- NoSQL
- Verarbeitungsparadigmen
- Systemarchitekturen
- Algorithmen und Datenanalyse
- Visualisierung
- Systementwicklung, -test und –betrieb
- KI-Anwendungen
- Ausblick
- Erläutert verständlich die zentralen Big-Data- Konzepte und zeigt deren Möglichkeiten und Grenzen auf.
- Illustriert die Datenspeicherung mit skalierbaren NoSQL-Systemen und zeigt die verteilte Verarbeitung mit Batch-, Micro-Batch- und modernen Streaming-Verfahren.
- Beschreibt anwendungsorientiert, wie moderne Datenplattformen entwickelt und durch Künstliche Intelligenz erweitert werden können.
- Ihr exklusiver Vorteil: E-Book inklusive beim Kauf des gedruckten Buches
Mit diesem Buch erhalten Sie einen praxisnahen und technologieunabhängigen Einstieg in den Umgang mit großen Datenmengen. Zahlreiche Beispiele werden mit gängigen Open-Source-Werkzeugen und modernen Container-Technologien (Docker) umgesetzt, sodass Sie Ihr neu erworbenes Wissen gleich ausprobieren können und der Umgang mit kommerziellen Produkten ebenfalls problemlos möglich wird. Das Buch startet mit den Herausforderungen, die sich durch die verteilte Verarbeitung von Daten ergeben, sobald diese nicht mehr auf einen Rechnerknoten passen. Sie lernen, wie Sie Big-Data-Analytics mit Verarbeitungsparadigmen wie Batch-, Micro-Batch- und Stream-Verarbeitung praktisch umsetzen können; ebenso wird auf die Vor- und Nachteile von NoSQL-Datenbanken eingegangen. Einblicke zur Visualisierung von Analyseergebnissen, in zufallsbasierte Big-Data-Algorithmen sowie in Referenz-Architekturen für den Aufbau skalierbarer Big-Data-Systeme runden das Buch ab. Dieses Lehrbuch und Nachschlagewerk ist ein verlässlicher Begleiter für Studium, Ausbildung und berufliche Praxis.
AUS DEM INHALT //
- Einstieg ins Thema
- Verteilte Systeme
- Big-Data-Management
- Data Warehouse, Data Lake(house), Data Mesh
- NoSQL
- Verarbeitungsparadigmen
- Systemarchitekturen
- Algorithmen und Datenanalyse
- Visualisierung
- Systementwicklung, -test und –betrieb
- KI-Anwendungen
- Ausblick
Anmelden
Noch keine Bewertung
Derzeit liegen noch keine Bewertugen zu diesem Artikel vor. Verfassen Sie die erste Bewertung und helfen Sie anderen Kund:innen.
Oliver Hummel
Prof. Dr. Oliver Hummel ist seit 2017 Professor für Big Data an der Hochschule Mannheim. Davor leitete er die Entwicklung einer big-data-fähigen Middleware zur Datenvernetzung bei einem Start-up im Rhein-Neckar-Raum. Weitere wichtige Stationen sind eine Vertretungsprofessur am KIT in Karlsruhe und eine Juniorprofessur an der Universität Mannheim, beide im Bereich Softwaretechnik, sowie eine Consulting-Tätigkeit im Bereich Information Retrieval. Neben einem Buch zum Thema Aufwandsschätzung hat Professor Oliver Hummel bis dato bereits mehr als 50 Fachpublikationen veröffentlicht und auch zahlreiche Fachvorträge gehalten.
Marcus Kessel
Marcus Kessel ist derzeit Postdoktorand (Wissenschaftlicher Mitarbeiter) im Bereich Software Engineering an der Universität Mannheim. Seine Forschungsinteressen umfassen die Entwicklung von skalierbaren und verhaltensbewussten Methoden für die Massenanalyse von Software Code ("Big Code"), sowie die Integration von Erkenntnissen aus statischer und dynamischer Programmanalyse, insbesondere Software Testing, mit datengetriebenen Ansätzen aus Data Science. Er erhielt seine Promotion im Bereich Informatik an der Universität Mannheim.
Beate Navarro
Prof. Dr. Beate Navarro Bullock ist Professorin für Data Science und Datenbanksysteme an der Technischen Hochschule Ingolstadt. Nach ihrer Promotion in Informatik an der Universität Würzburg war sie mehrere Jahre als Beraterin und Entwicklerin in den Bereichen Data Warehouse und Datenanalyse tätig, bevor sie an die Hochschule wechselte.
Robert Butscher
Prof. Dr. Robert Butscher ist seit 2022 Professor für Wirtschaftsinformatik, insbesondere Business Intelligence und Data Analytics, an der Technischen Hochschule Würzburg-Schweinfurt (THWS). Davor war er viele Jahre im Entwicklungs- und Vorstandsbereich der IT-Genossenschaft DATEV eG für Analytics-Produkte und für den Aufbau datengetriebener Geschäftsmodelle verantwortlich.
"Mit diesem Buch erhalten Sie einen anschaulichen, praxisnahen und technologieunabhängigen Einstieg in den Umgang mit großen Datenmengen. [...] Das kompakte Lehrbuch und Nachschlagewerk für Big Data eignet sich hervorragend für die Verwendung im Studium, Ausbildung und beruflicher Praxis, um den Umgang mit beständig wachsenden Datenmengen seinen Schrecken zu nehmen." IT Management, Dezember 2025
Die Coverdateien dürfen Sie zur Bewerbung des Buches honorarfrei verwenden.
