Data Science mit Big Data

Techniken, Werkzeuge und Algorithmen zur Analyse großer Datenmengen

€39,99 (Print)

inkl. MwSt., ggf. zzgl. Versandkosten

vorbestellbar
Beschreibung
Data Science mit Big Data
Mit diesem Buch erhalten Sie einen anschaulichen, praxisnahen und technologieunabhängigen Einstieg in den Umgang mit großen Datenmengen. Dabei kommen vor allem gängige Open-Source-Werkzeuge zum Einsatz, um die dahinterstehenden Konzepte zu verdeutlichen, so dass auch der Einstieg in kommerzielle Produkte 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; 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 den Inhalt des Buches ab. Die zahlreichen Beispiele im Buch werden auf Basis moderner Container-Technologie (Docker) vorgestellt, so dass Sie Ihr neu erworbenes Wissen auch gleich in der Praxis ausprobieren können.

Das kompakte Lehrbuch und Nachschlagewerk für Big Data eignet sich hervorragend für die Verwendung in Studium, Ausbildung und beruflicher Praxis, um dem Umgang mit beständig weiterwachsenden Datenmengen seinen Schrecken zu nehmen.

Aus dem Inhalt: Einstieg ins Thema, Verteilte Systeme, Big-Data-Management, NoSQL, Verarbeitungsparadigmen, Systemarchitekturen, Algorithmen und Datenanalyse, Systementwicklung, -test und -betrieb, Ausblick

Ihr exklusiver Vorteil: E-Book inside beim Kauf des gedruckten Buches
Data Science mit Big Data
Mit diesem Buch erhalten Sie einen anschaulichen, praxisnahen und technologieunabhängigen Einstieg in den Umgang mit großen Datenmengen. Dabei kommen vor allem gängige Open-Source-Werkzeuge zum Einsatz, um die dahinterstehenden Konzepte zu verdeutlichen, so dass auch der Einstieg in kommerzielle Produkte 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; 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 den Inhalt des Buches ab. Die zahlreichen Beispiele im Buch werden auf Basis moderner Container-Technologie (Docker) vorgestellt, so dass Sie Ihr neu erworbenes Wissen auch gleich in der Praxis ausprobieren können.

Das kompakte Lehrbuch und Nachschlagewerk für Big Data eignet sich hervorragend für die Verwendung in Studium, Ausbildung und beruflicher Praxis, um dem Umgang mit beständig weiterwachsenden Datenmengen seinen Schrecken zu nehmen.

Aus dem Inhalt: Einstieg ins Thema, Verteilte Systeme, Big-Data-Management, NoSQL, Verarbeitungsparadigmen, Systemarchitekturen, Algorithmen und Datenanalyse, Systementwicklung, -test und -betrieb, Ausblick

Ihr exklusiver Vorteil: E-Book inside beim Kauf des gedruckten Buches
Customer evaluation for "Data Science mit Big Data"
Write an evaluation
Evaluations will be activated after verification.

The fields marked with * are required.

Autor(en)

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 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.
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.
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.

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 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.
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.
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.

Cover Downloads

You may use the cover files free of charge to promote the book.

Print Cover

You may use the cover files free of charge to promote the book.

Print Cover

Produktsicherheit<

Carl Hanser Verlag GmbH & Co KG
Kolbergerstr. 22
81679 München
E-Mail: info@hanser.de
Sicherheitshinweis entsprechend Art.9 Abs. 7 Satz 2 GPSR entbehrlich

Carl Hanser Verlag GmbH & Co KG
Kolbergerstr. 22
81679 München
E-Mail: info@hanser.de
Sicherheitshinweis entsprechend Art.9 Abs. 7 Satz 2 GPSR entbehrlich