Steffen Herbold – författare

This book constitutes revised papers of the proceedings of the 9th International Workshop on System Analysis and Modeling, SAM 2016, held in Saint-Melo, France, in October 2016. The 15 full papers presented were carefully reviewed and selected from 31 submissions. The contributions are organized in topical theme named: Technology-Specific Aspects of Models. The volume reflects the five sessions of the conference. The first two sessions are closely aligned with the conference theme with a session on the Internet of Things and a session on Technology-specific Aspects. The other three sessions cover aspects regarding modeling languages and model-driven development in general and were organized in the sessions Languages, Configurations and Features, and Patterns and Compilation.

This book constitutes revised papers of the proceedings of the 9th International Workshop on System Analysis and Modeling, SAM 2016, held in Saint-Melo, France, in October 2016. The 15 full papers presented were carefully reviewed and selected from 31 submissions. The contributions are organized in topical theme named: Technology-Specific Aspects of Models. The volume reflects the five sessions of the conference. The first two sessions are closely aligned with the conference theme with a session on the Internet of Things and a session on Technology-specific Aspects. The other three sessions cover aspects regarding modeling languages and model-driven development in general and were organized in the sessions Languages, Configurations and Features, and Patterns and Compilation. 

Data Science praxisnah erklärt

Praxisnaher Einstieg mit anschaulichen Erklärungen und zahlreichen Anwendungsbeispielen, unterstützt durch interaktive Elementefür alle, die mehr über die Möglichkeiten der Datenanalyse lernen wollen, ohne gleich tief in die Theorie oder bestimmte Methoden einzusteigen

Dieses Buch bietet einen praxisnahen Einstieg in Data Science, angereichert mit interaktiven Elementen, der die Breite der Möglichkeiten der Datenanalyse aufzeigt und tief genug geht, um Vorteile, Nachteile und Risiken zu verstehen, aber dennoch nicht zu tief in die zugrunde liegende Mathematik einsteigt. Es wird nicht nur erklärt, wofür wichtige Begriffe wie Big Data, machinelles Lernen oder Klassifikation stehen, sondern auch anschaulich mit zahlreichen Beispielen aufgezeigt, wie Daten analysiert werden. Ein breiter Überblick über Analysemethoden vermittelt das nötige Wissen, um in eigenen Projekten geeignete Methoden auszuwählen und anzuwenden, um das gewünschte Ergebnis zu erreichen.Der benötigte Python-Quelltext, der z.B. zur Durchführung von Analysen oder zur Erstellung von Visualisierungen verwendet wird, ist in Form von Jupyter-Notebooks frei verfügbar.