Data Science Management
Vom ersten Konzept bis zur Governance datengetriebener Organisationen
Seiten
2024
O'Reilly (Verlag)
978-3-96010-811-5 (ISBN)
O'Reilly (Verlag)
978-3-96010-811-5 (ISBN)
- Titel leider nicht mehr lieferbar
- Artikel merken
Der umfassende Leitfaden für das Managen von Data-Science-Projekten für Studium und Beruf
· Themenspektrum: Designen von Projekten, Datenverarbeitung, Analysemethoden, Rolle und Aufgaben von Data Science Manager:innen, Kommunikation mit Stakeholdern, Automatisierung, MLOps, Governance
· Inklusive konkreter Toolsets wie z.B. Softwarepakete, Checklisten, Projekt-Canvases sowie Übersichten über bewährte Methoden
· Die Autoren sind Professoren für Data Science bzw. Data Science Management an der Digital Business University of Applied Sciences und Startup-Gründer
Viele Data-Science-Vorhaben scheitern an organisatorischen Hürden: So ist oftmals die Rolle des Managements in diesen Projekten nicht klar definiert. Zudem gibt es unterschiedliche Vorstellungen, wie gutes Projektmanagement für Data-Science-Produkte oder -Analysen gestaltet sein muss, um Mehrwert für das Unternehmen zu generieren.
Dieses Buch ist eine theoretisch fundierte und an der Praxis ausgerichtete Einführung in das Managen von Data-Science-Projekten aller Größenordnungen. Sie erfahren, was Daten sind und wie man mit ihnen umgeht, wie Datenanalysen durchgeführt werden und welche Tools hierfür infrage kommen. Die Autoren zeigen Wege, wie Sie erfolgreiche Projekte entlang des Data Science Life Cycles planen und eine datengetriebene Organisationskultur über alle Fachbereiche hinweg implementieren. Dabei wird die Rolle von Data Science Manager*innen im Kontext eines modernen Leaderships beleuchtet und Aufbau und Leitung von Datenanalyse-Teams beschrieben. Jedes Kapitel wird abgerundet durch einen Hands-On-Abschnitt, der Werkzeuge, Best Practices und Checklisten für die Umsetzung in die Praxis enthält.
· Themenspektrum: Designen von Projekten, Datenverarbeitung, Analysemethoden, Rolle und Aufgaben von Data Science Manager:innen, Kommunikation mit Stakeholdern, Automatisierung, MLOps, Governance
· Inklusive konkreter Toolsets wie z.B. Softwarepakete, Checklisten, Projekt-Canvases sowie Übersichten über bewährte Methoden
· Die Autoren sind Professoren für Data Science bzw. Data Science Management an der Digital Business University of Applied Sciences und Startup-Gründer
Viele Data-Science-Vorhaben scheitern an organisatorischen Hürden: So ist oftmals die Rolle des Managements in diesen Projekten nicht klar definiert. Zudem gibt es unterschiedliche Vorstellungen, wie gutes Projektmanagement für Data-Science-Produkte oder -Analysen gestaltet sein muss, um Mehrwert für das Unternehmen zu generieren.
Dieses Buch ist eine theoretisch fundierte und an der Praxis ausgerichtete Einführung in das Managen von Data-Science-Projekten aller Größenordnungen. Sie erfahren, was Daten sind und wie man mit ihnen umgeht, wie Datenanalysen durchgeführt werden und welche Tools hierfür infrage kommen. Die Autoren zeigen Wege, wie Sie erfolgreiche Projekte entlang des Data Science Life Cycles planen und eine datengetriebene Organisationskultur über alle Fachbereiche hinweg implementieren. Dabei wird die Rolle von Data Science Manager*innen im Kontext eines modernen Leaderships beleuchtet und Aufbau und Leitung von Datenanalyse-Teams beschrieben. Jedes Kapitel wird abgerundet durch einen Hands-On-Abschnitt, der Werkzeuge, Best Practices und Checklisten für die Umsetzung in die Praxis enthält.
| Erscheinungsdatum | 18.01.2025 |
|---|---|
| Sprache | deutsch |
| Maße | 165 x 240 mm |
| Themenwelt | Informatik ► Datenbanken ► Data Warehouse / Data Mining |
| Schlagworte | Agile • AIOps • Analytics Continuum • DataOps • Data Science • Data Science Architekturen • Data Science, Datenanalyse, Agile, MLOps, DevOps, DataOps, AIOps, Data Science Lifecycle, Data Science Lebenszyklus, Analytics Continuum, Datenmanagement, Data Science Architekturen, Governance. Proof of Concept, Statistik, Machine Learning • Data Science Lebenszyklus • Data Science Lifecycle • Datenanalyse • Datenmanagement • DevOps • Governance. Proof of Concept • MLOps • Statistik, Machine Learning |
| ISBN-10 | 3-96010-811-7 / 3960108117 |
| ISBN-13 | 978-3-96010-811-5 / 9783960108115 |
| Zustand | Neuware |
| Informationen gemäß Produktsicherheitsverordnung (GPSR) | |
| Haben Sie eine Frage zum Produkt? |
Mehr entdecken
aus dem Bereich
aus dem Bereich
Ein verständlicher Einstieg mit Python
Buch | Softcover (2024)
O'Reilly (Verlag)
CHF 41,85
eine Einführung mit Python, Scikit-Learn und TensorFlow
Buch | Softcover (2024)
O'Reilly (Verlag)
CHF 27,85
