No-Code Data Science

Vollständige Data-Science- und Machine-Learning-Projekte ohne Programmierung umsetzen Analyse-Workflows praxisnah entwickeln, bewerten und automatisieren Acht Praxisbeispiele aus Marketing, Finanzen, Betrugserkennung, Kundenabwanderung, Produktion, Healthcare, Diagnostik und Retail Data Science ohne Programmierung Dieses Buch richtet sich an Data Scientists, Data Analysts und Business Analysts, an Fach- und Führungskräfte aus den Fachabteilungen sowie an Studierende, die datengetriebene Projekte ohne Programmierung realisieren möchten. Es zeigt Ihnen, wie Sie vollständige Data-Science- und Machine-Learning-Projekte mit visuellen Workflows umsetzen. Sie bereiten Daten auf, trainieren Modelle, bewerten die Ergebnisse fachlich sowie technisch und entwickeln Workflows, die sich im Arbeitsalltag wiederverwenden und automatisieren lassen. Hierbei kommt die Open-Source-Plattform KNIME zum Einsatz. Data-Science-Workflows in KNIME umsetzen Als methodischer Rahmen dient der bewährte CRISP-DM-Prozess. Schritt für Schritt durchlaufen Sie Business Understanding, Data Understanding, Data Preparation, Modeling, Evaluation und Deployment. Die einzelnen Phasen setzen Sie dabei direkt in KNIME um. Sie lernen, Zielgrößen sauber zu definieren, Datenrisiken zu erkennen, Schwellenwerte festzulegen und Analyseergebnisse in konkrete Entscheidungen und Prozessschritte zu überführen. Praxisnahe Projekte für reale Anwendungsfälle Beispielprojekte aus verschiedenen Branchen zeigen, wie sich der methodische Ansatz auf unterschiedliche Fragestellungen übertragen lässt: von Kampagnenreaktionen und Kundenabwanderung über Kreditrisiken, Betrugserkennung und Produktionsqualität bis zu Anwendungen in Healthcare, Diagnostik und Retail. So entwickeln Sie eine systematische Vorgehensweise, mit der Sie eigene Analyse-, Machine-Learning- und Automatisierungsprojekte mit KNIME realisieren können. Aus dem Inhalt: KNIME Analytics Platform und Workflow Editor kennenlernen CRISP-DM als KNIME-Workflow umsetzen Nodes konfigurieren, verbinden und ausführen Workflows mit Metanodes strukturieren Wiederverwendbare KNIME-Komponenten erstellen CSV-, Excel-, Datenbank- und API-Daten anbinden Datenprofiling, EDA und Daten-qualität prüfen Daten transformieren und Features entwickeln Datenquellen mit KNIME zusammenführen Modelle mit Learner, Predictor und Scorer Logistische Regression, Decision Trees, Random Forest und XGBoost Cross-Validation und Hyperparameter-Tuning Modelle bewerten: Cutoff, Top-N, Lift, ROC und Fehlerkosten Deployment, Automatisierung, Monitoring und Drift