Bücher der Reihe Animals

Grundlagen und Schlüsseltechniken verstehen und mit vielen Beispielen vertiefen Konzepte und typische Arbeitsschritte verständlich und kompakt erklärt Die SQL-Beispiele laufen ohne Änderungen auf MySQL und (ggf. mit geringfügigen Änderungen) auf neueren Versionen von Oracle Database, DB2 und SQL Server  Daten von diversen Plattformen und nicht-relationalen Datenbanken verarbeiten SQL ist nach wie vor das Werkzeug der Wahl, um Daten in kürzester Zeit zu bearbeiten und das Beste aus ihnen herauszuholen. Alan Beaulieu vermittelt in »Einführung in SQL« die praxisrelevanten Grundlagen, um Datenbankanwendungen zu schreiben, administrative Aufgaben durchzuführen und Berichte zu erstellen. Jedes Kapitel präsentiert eine in sich geschlossene Lektion zu einem Schlüsselkonzept oder einer Schlüsseltechnik von SQL und nutzt hierfür zahlreiche Abbildungen und kommentierte Beispiele. Durch Übungen können Sie die erlernten Fähigkeiten nachhaltig vertiefen. Die Einführung wendet sich an alle, die im Unternehmen mit SQL arbeiten möchten, sie kann aber ebenso begleitend zu IT-Ausbildung und Studium eingesetzt werden. In der 3. Auflage finden Sie neue Kapitel zu analytischen Funktionen, zu Strategien für die Arbeit mit großen Datenbanken und zu SQL und großen Datenmengen. SQL-Kenntnisse sind ein Muss für die Interaktion mit Daten. Mit »Einführung in SQL« werden Sie schnell herausfinden, wie Sie die Möglichkeiten dieser Sprache in ihrem ganzen Umfang nutzen können. Eignen Sie sich zügig die SQL-Grundlagen und wichtige erweiterte Funktionen an Verwenden Sie SQL-Datenanweisungen zum Erzeugen, Bearbeiten und Abrufen von Daten Erstellen Sie mit SQL-Schemaanweisungen Datenbankobjekte wie Tabellen, Indizes und Constraints Lernen Sie, wie Datens.tze mit Abfragen interagieren; verstehen Sie die Bedeutung von Unterabfragen Konvertieren und bearbeiten Sie Daten mit den integrierten Funktionen von SQL und verwenden Sie in Datenanweisungen bedingte Logik

Der unverzichtbare Werkzeugkasten für Data Science in der 2. Auflage Das bewährte Standardwerk jetzt in vollständig aktualisierter Neuauflage Behandelt die neuesten Versionen von IPython, NumPy, pandas, Matplotlib und Scikit-Learn Die leicht nachvollziehbaren Beispiele helfen Ihnen bei der erfolgreichen Einrichtung und Nutzung der Data-Science-Tools Inklusive Jupyter Notebooks, die es Ihnen ermöglichen, den Code direkt beim Lesen auszuprobieren Für viele Data Scientists ist Python die Sprache der Wahl, weil zahlreiche ausgereifte Bibliotheken zum Speichern, Bearbeiten und Auswerten von Daten verfügbar sind. Jake VanderPlas versammelt in dieser 2. Auflage seines Standardwerks alle wichtigen Datenanalyse Tools in einem Band und erläutert deren Einsatz in der Praxis. Beschrieben werden IPython, Jupyter, NumPy, Pandas, Matplotlib, Scikit-Learn und verwandte Werkzeuge. Für Datenanalystinnen und analysten und Data Cruncher mit Python Kenntnissen ist dieses umfassende Handbuch von unschätzbarem Wert bei der Erledigung ihrer täglichen Aufgaben. Dazu gehören die Manipulation, Umwandlung und Bereinigung von Daten, die Visualisierung verschiedener Datentypen sowie die Nutzung von Daten zum Erstellen von Statistiken und Machine Learning Modellen. Dieses Handbuch beschreibt die folgenden Tools: IPython und Jupyter bieten eine Umgebung für Berechnungen, die von vielen Data Scientists genutzt wird NumPy stellt das ndarray zum effizienten Speichern und Bearbeiten dicht gepackter Datenarrays bereit Pandas verfügt über das DataFrameObjekt für die Speicherung und Manipulation gelabelter und spaltenorientierter Daten Matplotlib ermöglicht die flexible und vielseitige Visualisierung von Daten Scikit-Learn unterstützt bei der Implementierung der wichtigsten und gebräuchlichsten Algorithmen für das Machine Learning »Jake beschreibt weit mehr als die Grundlagen dieser Open-Source-Tools; er erläutert die zugrunde liegenden Konzepte, Vorgehensweisen und Abstraktionen in klarer Sprache und mit verständlichen Erklärungen.« -- Brian Granger, Physikprofessor und Mitbegründer des Jupyter-Projekts

Leistungsfähige State-of-the-Art-Sprachanwendungen mit vortrainierten Transformer-Modellen Transformer haben die NLP-Welt im Sturm erobert: Erhalten Sie einen fundierten und praxisnahen Überblick über die wichtigsten Methoden und Anwendungen im aktuellen NLP Das Buch wurde von den Gründern von Hugging Face, der Plattform für vortrainierte Transformer-Modelle für TensorFlow und PyTorch, verfasst Hands-On: Jeder Programmierschritt kann in Jupyter Notebooks nachvollzogen werden Transformer liefern hervorragende Ergebnisse bei der maschinellen Sprachverarbeitung und haben sich in den letzten Jahren zur vorherrschenden Architektur im Natural Language Processing (NLP) entwickelt. Dieses Praxisbuch zeigt Data Scientists und Programmierer*innen, wie sie NLP-Modelle mit Hugging Face Transformers, einer Python-basierten Deep-Learning-Bibliothek, trainieren und skalieren. Transformer kommen beispielsweise beim maschinellen Schreiben von Nachrichtenartikeln, bei der Verbesserung von Google-Suchanfragen oder bei Chatbots zum Einsatz. Lewis Tunstall, Leandro von Werra und Thomas Wolf, die die Transformers-Bibliothek von Hugging Face mitentwickelt haben, erklären in diesem Buch, wie Transformer-basierte Modelle funktionieren und wie Sie sie in Ihre Anwendungen integrieren. Sie erfahren, wie Transformer für eine Vielzahl von Aufgaben erfolgreich eingesetzt werden können. Erstellen, debuggen und optimieren Sie Transformer-Modelle für zentrale NLP-Aufgaben wie Textklassifizierung, Named Entity Recognition oder Question Answering Lernen Sie, wie Transformer für sprachenübergreifendes Transfer Learning verwendet werden Wenden Sie Transformer auf reale Anwendungsfälle an, bei denen nur auf wenige gelabelte Daten zurückgegriffen werden kann Optimieren Sie Transformer-Modelle für das Deployment mit Techniken wie Distillation, Pruning und Quantisierung Trainieren Sie Transformer von Grund auf und lernen Sie, wie sie auf mehreren GPUs und verteilten Umgebungen skalieren

Befreien Sie sich aus dem Chaos der riesigen Arbeitsmappen, Tausenden von Formeln und hässlichen VBA-Hacks Der US-Bestseller jetzt in deutscher Übersetzung: »Python für Excel« schlägt die dringend benötigte Brücke zwischen zwei Datenanalyse-Welten Für fortgeschrittene Excel-Nutzer, die sich ihre Arbeit durch Python-Tools erleichtern wollen Die Python-Grundlagen sowie die Tools numpy and pandas werden gut verständlich erklärt Excel ist nach wie vor ein unverzichtbares Analysetool und hat in den letzten Jahren viele neue Funktionen hinzubekommen, doch die Automatisierungssprache VBA hat sich nicht parallel weiterentwickelt. Viele Excel-Poweruser nutzen daher bereits Python, um Routinearbeiten zu automatisieren. Felix Zumstein zeigt in diesem praktischen Leitfaden erfahrenen Excel-Benutzerinnen und -Benutzern, wie sich Python als Skriptsprache für Excel effizient verwenden lässt. Dieses Buch bietet Ihnen einen schnell zugänglichen Einstieg in Python, sodass Sie direkt in die Praxis starten können: Verwenden Sie Python ohne fortgeschrittene Programmierkenntnisse Arbeiten Sie mit modernen Tools wie Jupyter-Notebooks und Visual Studio Code Nutzen Sie pandas zum Erfassen, Bereinigen und Analysieren von Daten und ersetzen Sie typische Excel-Berechnungen Automatisieren Sie mühsame Aufgaben wie die Konsolidierung von Excel-Arbeitsmappen und das Erstellen von Excel-Berichten Setzen Sie xlwings ein, um interaktive Excel-Tools zu erstellen, die Python als Berechnungsmodul verwenden Verbinden Sie Excel mit Datenbanken und CSV-Dateien und rufen Sie mit Python-Code Daten aus Internetquellen ab Verwenden Sie Python als Universalwerkzeug, um VBA, Power Query und Power Pivot zu ersetzen

Rechtliche Fragen und typische Probleme verständlich erklärt liefert konkrete Datenschutz-Empfehlungen und Checklisten fokussiert sich auf die beliebten und in der Praxis wichtigen Cloud-Services von AWS, Google oder Microsoft gibt Expertenwissen - verständlich und praxisnah aufbereitet Unternehmen, die Cloud-Computing-Angebote von Hyperscalern wie Amazon Web Services (AWS), Google und Microsoft nutzen, sehen sich durch die Anforderungen der Datenschutz-Grundverordnung (DSGVO) mit vielen Fragen konfrontiert. Dieser verständliche Praxisleitfaden erläutert die wichtigsten Rechtsgrundlagen und führt in die relevanten rechtlichen Aspekte ein. Unterstützt durch verständliche Erläuterungen, FAQs, Checklisten, Infografiken und zahlreiche Hinweisboxen erwerben Entscheider:innen sowie Datenschutzbeauftragte das erforderliche Problembewusstsein und Wissen. Die erläuterten Aspekte lassen sich auch auf Clouds zahlreicher anderer Anbieter übertragen. Themen dieses Buchs sind u.a.: Cloud Computing und Datenschutz: Zentrale Begriffe und Zusammenhänge kompakt erklärt  Auftragsverarbeitungsvertrag (AV-Vertrag) und relevante Rechtsgrundlagen: Die wichtigsten Rechtsgrundlagen mit Hinweisen für die praktische Umsetzung Datensicherheit und Zertifizierungen: Technische und organisatorische Maßnahmen (TOMs) für Ihren IT-Stack und gängige Zertifizierungen Internationale Datentransfers: Wissenswertes zu Datentransfers in Drittländer - mit Hinweisen zu Angemessenheitsbeschlüssen, Standardvertragsklauseln und Transfer Impact Assessment (TIA) U.S. CLOUD Act: Hintergründe und Umgang mit diesem US-Gesetz im Rahmen einer Risikobewertung Lifecycle einer Cloud-Nutzung: Alle Phasen der Laufzeit im Überblick - von der Auswahl eines Cloud-Anbieters bis zu Fragen des Exits und der Migration Der Praxisleitfaden beschreibt die rechtlichen Fragen und typischen Probleme im Zusammenhang mit der Nutzung der von Cloud-Providern bereitgestellten Anwendungen im Allgemeinen wie beispielsweise Auswahl, Vorbereitung und konkrete rechtliche Umsetzung einer Auslagerung von Daten und Prozessen in eine Cloud, aber auch Fragen eines Exits, wie eine Datenmigration. Er geht aber auch ganz konkret auf einzelne Anwendungen ein und unterstützt hierzu mit konkreten Empfehlungen und Checklisten. Es werden keine Vorkenntnisse im Datenschutz oder in Bezug auf Cloud-Anwendungen vorausgesetzt.

Von der ersten Idee bis zur konkreten Anwendung: Realisieren Sie Data-Science-Projekte in der AWS-Cloud Der US-Besteller zu Amazon Web Services jetzt auf Deutsch Das Buch beschreibt alle wichtigen Konzepte und die wichtigsten AWS-Dienste mit vielen Beispielen aus der Praxis Es deckt den kompletten End-to-End-Prozess von der Entwicklung der Modelle bis zum ihrem konkreten Einsatz ab Mit Best Practices für alle Aspekte der Modellerstellung einschließlich Training, Deployment, Sicherheit und MLOps Mit diesem Buch lernen Machine-Learning- und KI-Praktiker:innen, wie sie erfolgreich Data-Science-Projekte mit Amazon Web Services erstellen und in den produktiven Einsatz bringen. Es bietet einen detaillierten Einblick in den KI- und Machine-Learning-Stack von Amazon, der Data Science, Data Engineering und Anwendungsentwicklung vereint. Chris Fregly und Antje Barth beschreiben verständlich und umfassend, wie Sie das breite Spektrum an AWS-Tools nutzbringend für Ihre ML-Projekte einsetzen. Der praxisorientierte Leitfaden zeigt Ihnen konkret, wie Sie ML-Pipelines in der Cloud erstellen und die Ergebnisse dann innerhalb von Minuten in Anwendungen integrieren. Sie erfahren, wie Sie alle Teilschritte eines Workflows zu einer wiederverwendbaren MLOps-Pipeline bündeln, und Sie lernen zahlreiche reale Use Cases zum Beispiel aus den Bereichen Natural Language Processing, Computer Vision oder Betrugserkennung kennen. Im gesamten Buch wird zudem erläutert, wie Sie Kosten senken und die Performance Ihrer Anwendungen optimieren können.

Mit Mapping-Techniken zu einer erfolgreichen Kundenausrichtung Für alle, die an Planung, Design und Entwicklung von Produkten und Dienstleistungen beteiligt sind wie Designer, Produktmanager, Markenmanager, Marketing-Manager, Unternehmer und Geschäftsinhaber US-Bestseller und Grundlagenwerk zu Mapping-Techniken Starker Praxisbezug durch kommentierte Beispiele, Case Studies und Praxistipps Eine gelungene Customer Experience ist unabdingbar für den Erfolg eines Unternehmens. Sind Unternehmen zu stark auf eigene Prozesse fixiert und haben die Erfahrungen, Frustrationen und Bedürfnisse ihrer Kundinnen und Kunden nicht im Blick, werden sie keine überzeugenden Angebote entwickeln können. Jim Kalbach beschreibt in seinem fundierten und zugleich praxisnahen Grundlagenwerk, wie Teams Mapping-Techniken als mächtiges Werkzeug einsetzen können, um die Customer Experience ihrer Kunden zu verstehen und zu verbessern. Mit Maps und Diagrammen gelingt es, die Interaktion der Kunden mit den Unternehmensangeboten zusammenzufassen und anschaulich darzustellen. Die Maps, aber vor allem die Mapping-Aktivitäten selbst, liefern abteilungsübergreifend wertvolle Erkenntnisse, um Angebote mit echtem Mehrwert zu entwickeln. Das Buch wendet sich an Mitarbeitende in Design und Marketing, im Produkt- und Markenmanagement und in der Geschäftsleitung. Es vermittelt die Grundlagen und zeigt die vielfältigen Einsatzmöglichkeiten dieser Mapping-Techniken. Lernen Sie die Prinzipien und bewährte Praktiken der Diagrammerstellung kennen. Erfahren Sie, wie Sie mithilfe von Ausrichtungsdiagrammen Ihre Unternehmensstrategie weiterentwickeln. Machen Sie sich mit dem gesamten Mapping- Prozess vertraut: vom Beginn eines Projekts über das Zusammentragen von Fakten und Beobachtungen, die Visualisierung dieser Daten bis hin zum Entwickeln neuer Lösungen. Lernen Sie unterschiedliche Diagrammtypen wie Service Blueprints, Customer Journey Maps, Experience Maps, Mentalmodell- und Ökosystemdiagramme durch aussagekräftige Beispiele und Fallstudien kennen.

Leistungsstarke, produktionsreife Cloud-native Anwendungen mit dem beliebten Framework Erfahren Sie, wie Spring Boot die Entwicklung, die Konfiguation und das Deployment von Cloud-nativen Applikationen entscheidend vereinfacht Das Buch zeigt Ihnen, wie Sie direkt produktiv in die Arbeit mit Spring Boot einsteigen Für Java- und Kotlin-Entwickler:innen Mit mehr als 75 Millionen Downloads pro Monat ist Spring Boot das populärste und am weitesten verbreitete Java-Framework. Dank seiner Benutzerfreundlichkeit und Leistungsfähigkeit hat es die Anwendungsentwicklung von Monolith-Architekturen und Microservices revolutioniert. Doch die Einfachheit von Spring Boot kann zunächst auch irritieren. Was brauchen Entwickler:innen, um sofort produktiv zu werden? Dieses praxisorientierte Buch zeigt Ihnen, wie Sie das Framework nutzen, um erfolgreich unternehmenskritische Applikationen zu entwickeln. Mark Heckler von VMware, der Firma hinter Spring, führt Sie durch die Architektur und die Konzepte von Spring Boot und behandelt auch Themen wie Debugging, Testen und Deployment. Wenn Sie mit Spring Boot schnell und effektiv Cloudnative Java- oder Kotlin-Anwendungen entwickeln wollen - inklusive reaktiver Programmierung, dem Erstellen von APIs und dem Einrichten von Datenbankzugriffen aller Art - dann ist dieses Buch genau das Richtige für Sie. Erfahren Sie, wie Spring Boot die Entwicklung und das Deployment Cloud-nativer Anwendungen vereinfacht Erstellen Sie reaktive Anwendungen und erweitern Sie die Kommunikation über die Netzwerkgrenzen hinaus, um verteilte Systeme zu erstellen Verstehen Sie, wie der Spring-Boot-typische Ansatz Ihre Produktivität steigert und die Portabilität Ihrer Anwendungen verbessert Deployen Sie Spring-Boot-Anwendungen schnell und zuverlässig für die Arbeitslast in der Produktivumgebung Überwachen Sie den Anwendungs- und Systemzustand für optimale Performance und Zuverlässigkeit Debuggen, testen und sichern Sie Ihre Cloud-basierten Anwendungen mit State-of-the-Art-Techniken »Dieses Buch und sein Autor sind wohl die freundlichsten Begleiter, die es für den Einstieg in Spring Boot gibt. Ich hoffe, Sie genießen ihre Gesellschaft so sehr wie ich.« - Dr. David Syer, VMware »Mark bietet eine frische Perspektive auf das, was man braucht, um mit Spring Boot Anwendungen zu entwickeln. Lassen Sie sich das nicht entgehen.« - Greg L. Turnquist, Spring-Teamkollege und Host von Spring Boot Learning auf YouTube

Mit der richtigen Strategie Zeit und Geld sparen und Kunden überzeugen Das Buch verbindet UX-Design mit Geschäftsstrategie Übersetzung der zweiten englischen Auflage mit topaktuellen Beispielen und Techniken, inkl. Online-Nutzerforschung Voller Praxisbezug und einem kostenlosen Toolkit zum Herunterladen und Loslegen User-Experience-Strategie schließt die Wissenslücke zwischen Geschäftsstrategie und UX-Design, aber bis jetzt gab es kein einfach anzuwendendes Framework für die Umsetzung. Dieser praktische Leitfaden stellt leicht verständliche Strategie-Tools und -Techniken vor, die Ihnen und Ihrem Team helfen, innovative Multi-Device-Produkte zu entwickeln, die von den Nutzer:innen gerne verwendet werden. Die erfolgreiche UX-Strategin Jaime Levy zeigt UX/UI-Designer:innen, Produktmanager:innen und angehenden Strateg:innen einfache bis fortgeschrittene Methoden, die sich sofort anwenden lassen. Durch Business Cases und anschauliche Praxisbeispiele erhalten Sie wertvolle Einblicke. Ein topaktuelles Kapitel über die Durchführung qualitativer Online-Nutzerforschung rundet das Buch ab. Definieren Sie Wertversprechen und validieren Sie Zielkunden durch provisorische Personas und Techniken zur Kundenfindung Erkunden Sie Marktchancen durch die Durchführung von Wettbewerbsforschung und -analyse Entwerfen Sie Experimente mit schnellen Prototypen, die auf das Geschäftsmodell ausgerichtet sind Führen Sie Online-Nutzerforschung durch, um schnell und mit jedem Budget wertvolle Erkenntnisse zu gewinnen Testen Sie Geschäftsideen und validieren Sie Marketingkanäle, indem Sie Online-Werbung und Landing-Page-Kampagnen durchführen »Wenn Ihr digitales Design-Toolkit aufgepeppt werden muss oder Sie neugierig auf strategischere Ansätze sind, die Sie in Ihrer Designpraxis anwenden können, ist dieses Buch genau das richtige für Sie.« - Phil Clevenger Leitender Direktor für UX-Design, Adobe

Der verständliche Angular-Einstieg - mit durchgängigem Praxisbeispiel Manfred Steyer ist bekannter Trainer und Berater mit Schwerpunkt Angular Vermittelt die Grundlagen des Frameworks anhand einer Flight-Search-Anwendung (Programmcode zum Download)  Weiterführende Themen wie moderne Security-Szenarien, Performance-Tuning, State Management mit NgRX und RxJS, Monorepos u.v.a.m. Das von Google entwickelte Framework Angular unterstützt effektiv bei der Entwicklung JavaScript-basierter Single-Page-Anwendungen. Es verfügt über die nötigen Bordmittel für alle anfallenden Programmieraufgaben und überzeugt durch den Support einer großen Community. Das Buch zeigt anhand eines durchgehenden Beispiels (ein Flugportal), wie Sie moderne Clients, die mit einem Backend kommunizieren, programmieren. Alle Aspekte der Entwicklung werden demonstriert: angefangen von Komponenten und dem HTTP-Zugriff über Formulare, Routing und Animationen bis hin zu Testing, Build-Automatisierung, Security und Performanceoptimierungen. Der Autor erläutert darüber hinaus Architekturaspekte wie Modularisierung und reaktives JavaScript sowie das Zustandsmanagement mit Redux und NgRx. Aus dem Inhalt: Überblick über die Sprache TypeScript mit der Angular CLI ein Projekt schnellstmöglich starten RESTful Services und Web APIs anbinden Template-getriebene und reaktive Formulare bereitstellen, Eingaben validieren logische Seiten einer SPA mit Routing realisieren Anwendungen durch Module, Bibliotheken und Monorepos strukturieren reaktive Anwendungen mit RxJS entwickeln wiederverwendbare Komponenten und Direktiven bereitstellen Testautomatisierung die Performance mit Lazy Loading, AOT, serverside Rendering und OnPush sicherstellen Internationalisierung von Ein- und Ausgaben

Bewährte Praxislösungen für komplexe Machine-Learning-Aufgaben Behandelt alle Phasen der ML-Produktpipeline Klar strukturierter Aufbau, der dafür sorgt, dass sich Konzepte und Zusammenhänge rasch erschließen Fokus auf TensorFlow, aber auch übertragbar auf PyTorch-Projekte Die Design Patterns in diesem Buch zeigen praxiserprobte Lösungen für wiederkehrende Aufgaben im Machine Learning. Die Autor:innen - ML-Experten bei Google - beschreiben Methoden, die Data Scientists helfen, typische Probleme im gesamten ML-Prozess zu bewältigen. Die Entwurfsmuster verdichten die Erfahrungen von Hunderten von Expert:innen zu klar strukturierten, zugänglichen Best Practices. Das Buch bietet detaillierte Erläuterungen zu 30 Mustern für die Daten- und Problemdarstellung, Operationalisierung, Wiederholbarkeit, Reproduzierbarkeit, Flexibilität, Erklärbarkeit und Fairness. Zu jedem Muster erhalten Sie eine Beschreibung des Problems, eine Vielzahl möglicher Lösungen sowie Empfehlungen, welche Technik die beste für Ihre Problemstellung ist. Erfahren Sie, wie Sie: Herausforderungen beim Trainieren, Bewerten und Deployen von ML-Modellen erkennen und überwinden Daten für verschiedene ML-Modelltypen mit Einbettungen, Feature Crosses und mehr darstellen den richtigen Modelltyp für bestimmte Fragestellungen auswählen eine robuste Trainingsschleife mit Checkpoints, Verteilungsstrategie und Hyperparameter-Tuning erstellen skalierbare ML-Systeme deployen, die bei erneutem Training aktuelle Daten berücksichtigen Modellvorhersagen für Stakeholder interpretieren Modellgenauigkeit, Reproduzierbarkeit, Resilienz und Fairness verbessern

Ideen, Inspirationen und Erkenntnisse aus dem traditionellen Storytelling für next-level UX-Design Erfolgreich Methoden, Werkzeuge und Techniken des Storytelling auf Produktdesign anwenden Mit vielen anschaulichen Beispielen und praxisnahen Übungen Statt abgenutzter Beispiele liefert dieses Buch angemessenen Tiefgang Angesichts der Vielfalt der Geräte, Schnittstellen und Kanäle haben Sie heutzutage immer weniger Kontrolle darüber, wie Nutzer:innen Ihre sorgfältig konzipierten Produkte erleben. Trotzdem ist es für Sie sehr wichtig zu verstehen, an welchen Punkten der User Journey Ihre Kund:innen sich befinden, damit Sie die passenden Inhalte und interaktiven Elemente zur richtigen Zeit und auf dem richtigen Gerät bereitstellen können. Mit diesem praktischen Leitfaden lernen Sie, welchen positiven Einfluss Storytelling auf Ihr Produktdesign haben kann und wie es Ihnen dabei hilft, die UX Ihrer Produkte entscheidend zu verbessern. Anna Dahlström zeigt anhand zahlreicher spannender Beispiele, wie Sie Storytelling einsetzen und bewährte Prinzipien aus Film und Literatur wie Heldenreise und Storyboards anwenden, um großartige Produkterfahrungen zu erzeugen.  Erfahren Sie, wie die Anatomie einer guten Geschichte Ihr Produktdesign maßgeblich verbessern kann. Entdecken Sie, wie sich traditionelle Prinzipien, Werkzeuge und Techniken des Storytellings auf wichtige Faktoren des Produktdesigns auswirken. Lernen Sie, wie Sie mit zielgerichtetem Storytelling die richtige Geschichte erzählen und Menschen zum Handeln motivieren. Nutzen Sie die Regeln des Storytellings, um Ihre Produkte vorzustellen, zu präsentieren und zu verkaufen. »Anna Dahlström leistet großartige Arbeit bei der Anwendung von UX- und Designprinzipien auf Storytelling und Kommunikation. Sie greift auf Theater sowie historisches und modernes Storytelling zurück, um eine fesselnde Erzählung zu schaffen. Ich empfehle dieses Buch allen Designern, die ihre internen und externen Kommunikationsfähigkeiten verbessern wollen, insbesondere denjenigen, die in Führungspositionen aufsteigen wollen.« - Ellen Chisa, Mitbegründerin und CEO, Dark

Erfolgreiche ML-Pipelines entwickeln und mit MLOps organisatorische Herausforderungen meistern Stellt DevOps-Konzepte vor, die die speziellen Anforderungen von ML-Anwendungen berücksichtigen Umfasst die Verwaltung, Bereitstellung, Skalierung und Überwachung von Machine-Learning-Modellen im Unternehmensumfeld Für Data Scientists und Data Engineers, die nach besseren Strategien für den produktiven Einsatz ihrer ML-Modelle suchen Machine-Learning-Modelle zu entwickeln ist das eine, sie im Produktivbetrieb effizient einzusetzen, eine ebenfalls nicht zu unterschätzende Herausforderung - so die Erfahrung vieler Unternehmen. Dieses Buch zeigt Ihnen, wie Sie mithilfe durchdachter MLOps-Strategien eine stabile DevOps-Umgebung für Ihre ML-Anwendungen aufbauen, Ihre Modelle kontinuierlich verbessern und langfristig warten. Das Buch erläutert MLOps-Schlüsselkonzepte, mit denen Data Scientists und Data Engineers ML-Pipelines und -Workflows optimieren können. Anhand von Fallbeispielen aus der ganzen Welt geben neun ML-Experten praxiserprobte Hilfestellungen zu den fünf Schritten des Modelllebenszyklus - Entwicklung, Preproduction, Deployment, Monitoring und Governance. Sie erfahren auf diese Weise, wie robuste MLOps-Prozesse umfassend in den ML-Produktworkflow integriert werden können. Erschließen Sie den Wert Ihrer Data-Science-Anwendungen für Ihr Unternehmen vollständig, indem Sie Störfaktoren in ML-Pipelines und -Workflows ausräumen Verfeinern Sie Ihre ML-Modelle durch Retraining, regelmäßiges Tuning und grundlegende Überarbeitung, um eine dauerhaft hohe Qualität zu gewährleisten Organisieren Sie den MLOps-Lebenszyklus so, dass Risiken, die in den Modellen stecken könnten, minimiert werden, damit die Ergebnisse unverzerrt, ausgewogen und nachvollziehbar sind Optimieren Sie ML-Modelle nicht nur für die eigene Deployment-Pipeline, sondern auch für externe Partner, deren Systeme komplexer und weniger standardisiert sind »Wenn Sie auf der Suche nach Strategien sind, um die konkreten Prozesse der ML-Entwicklung zwischen den Teams zu verbessern, ist dieses Buch genau das Richtige für Sie.« - Adi Polak, Senior Software Engineer, Microsoft

Bewährte Patterns für komplexe Python-Projekte bekannte Architekturpatterns - endlich in idiomatischem Python die Komplexität anspruchsvoller Projekte erfolgreich managen den größten Nutzen aus den Testsuiten herausholen Mit der wachsenden Beliebtheit von Python werden auch die realisierten Projekte größer und komplexer. Viele Python-Entwicklerinnen und -Entwickler interessieren sich deshalb zunehmend für Software-Design-Patterns wie zum Beispiel hexagonale Architektur/Clean Architecture, eventgesteuerte Architektur und die strategischen Patterns, die durch das Domain-Driven Design nahegelegt werden. Aber das Übertragen dieser Patterns auf Python ist nicht immer einfach. Mit diesem praxisnahen Buch stellen Harry Percival und Bob Gregory von MADE.com erprobte Architekturpatterns vor, die dabei helfen, die Komplexität von Anwendungen im Griff zu behalten - und möglichst viel aus den Testsuiten herauszuholen. Jedes Pattern wird durch konkrete Beispiele in schönem, idiomatischem Python illustriert - wobei die Weitschweifigkeit von Java- oder C#-Syntax vermieden wird. Im Buch behandelte Patterns: Dependency Inversion und die Verbindungen zu Ports und Adaptern (hexagonale Architektur/Clean Architecture) Unterscheidung im Domain-Driven Design zwischen Entitäten, Value Objects und Aggregaten Repository- und Unit-of-Work-Patterns für persistenten Speicher Events, Befehle und der Message Bus Command-Query Responsibility Segregation (CQRS) Eventgesteuerte Architektur und reaktive Microservices

Seit 25 Jahren das begleitende Grundlagenwerk zu JavaScript Durchgehend überarbeiteter internationaler Bestseller in der 7. Auflage Deckt die Version ES2020 inkl. Tools/Extensions & Node.js ab Vermittelt umfassendes und tiefgehendes JavaScript-Wissen JavaScript ist die Programmiersprache des Web und wird heute von mehr Softwareentwicklerinnen und -entwicklern eingesetzt als jede andere Sprache. Seit fast 25 Jahren dient ihnen dieser Bestseller als Praxishandbuch und zuverlässiger Begleiter. Die vorliegende siebte Auflage wurde vollständig aktualisiert und deckt die Version 2020 von JavaScript ab. Sie finden in diesem Buch spannende und aufschlussreiche Codebeispiele sowie neue und erweiterte Kapitel zu Klassen, Modulen, Iteratoren, Generatoren, Promises und async/await. Es richtet sich an Programmiererinnen und Programmierer, die JavaScript lernen möchten, und an alle in der Webentwicklung, die ein tieferes Verständnis für die Sprache entwickeln und sie noch besser beherrschen wollen. Unter anderem werden folgende Themen behandelt: Typen, Variablen, Operatoren, Anweisungen, Objekte und Arrays Funktionen, Klassen, Module, Iteratoren, Generatoren, Promises und async/await Die Standardbibliothek von JavaScript: Datenstrukturen, reguläre Ausdrücke, JSON, Internationalisierung und URLs Die Webplattform: Dokumente, Komponenten, Grafiken, Netzwerkoptionen, Speicher und Threads Node.js: Puffer, Dateien, Streams, Threads, Kindprozesse, Webclients und Webserver Werkzeuge und Spracherweiterungen für professionelle JavaScript-Entwickler »Mit diesem Buch bringen Sie Ihre JavaScript-Coding-Kompetenz und -Produktivität auf das nächste Level. Davids Wissen über die Sprache, ihre Feinheiten und ihre Tücken ist beeindruckend.« - Schalk Neethling, Senior Frontend Engineer bei MDN Web Docs »David Flanagan nimmt Sie mit auf eine geführte Tour, die Ihnen ein vollständiges Bild der Sprache und ihres Ökosystems vermittelt.« - Sarah Wachs, Frontend Developer und Lead bei Women Who Code Berlin

Statistische Konzepte aus der Perspektive von Data Scientists erläutert Das Buch verbindet nützliche statistische Prinzipien mit der heutigen Praxis der Datenanalyse Es ermöglicht Data Scientists, ihr Wissen über Statistik auf ein neues Level zu bringen Als Übersetzung der 2. Auflage des US-Bestsellers enthält es Beispiele in Python und R Statistische Methoden sind ein zentraler Bestandteil der Arbeit mit Daten, doch nur wenige Data Scientists haben eine formale statistische Ausbildung. In Kursen und Büchern werden die Grundlagen der Statistik allerdings selten aus der Sicht von Data Scientists behandelt. Dieses praxisorientierte Handbuch erklärt Ihnen anhand zahlreicher Beispiele in Python und R, wie Sie verschiedene statistische Methoden speziell in den Datenwissenschaften anwenden. Das Buch erläutert, welche statistischen Konzepte für die Datenwissenschaften besonders relevant sind, und zeigt Ihnen auch, wie Sie den falschen Gebrauch von statistischen Verfahren vermeiden. Wenn Sie mit R oder Python vertraut sind, ermöglicht Ihnen diese gut lesbare Referenz ein tieferes Verständnis Ihrer Daten und Sie werden Ihr Statistikwissen für die Praxis deutlich ausbauen. In diesem Buch erfahren Sie: warum die explorative Datenanalyse ein wichtiger vorbereitender Arbeitsschritt in der Datenwissenschaft ist wie Zufallsstichproben Verzerrungen reduzieren und einen qualitativ hochwertigeren Datensatz liefern wie Sie mit den Prinzipien des experimentellen Designs eindeutige Antworten auf Ihre Forschungsfragen erhalten wie Sie eine Regression verwenden, um Prognosen zu treffen oder Anomalien zu erkennen auf welche Weise statistische Methoden aus dem Bereich des Machine Learning es ermöglichen, aus Daten zu lernen wie Sie Unsupervised Learning nutzen, um Erkenntnisse aus ungelabelten Daten zu gewinnen

Es gibt zwei Gruppen von Menschen: Die, die IT verstehen, und die, die sie trotzdem benutzen wollen oder müssen. Wenn Sie zur ersten Gruppe gehören und einen Kommunikationskanal zur zweiten Gruppe öffnen wollen, dann hilft Ihnen dieses Buch: Wir erklären Schritt für Schritt, wie Sie digitale Technologien laienverständlich erklären, welche Techniken Sie dabei unterstützen und wie Sie typische Fehler vermeiden. Egal, ob Sie Handbücher verfassen, Support-E-Mails beantworten, Schulungen halten oder die Welt in einem Blog von Ihrem neuen Projekt überzeugen wollen - schon ein paar Grundregeln helfen, den Wissensfluch zu überwinden und von Ihrer Zielgruppe verstanden zu werden.Grundkenntnisse der IT und Kenntnisse der deutschen Sprache auf Konversationsniveau werden vorausgesetzt, sprachwissenschaftliche Kenntnisse oder Berufserfahrung in Redaktion, PR etc. nicht.

Bestehende Systeme erfolgreich in eine Microservices-Architektur umgestalten Unerlässliches Expertenwissen für Organisationen, die ihre Codebasis modernisieren wollen Autor des geschätzten Grundlagenwerks »Building Microservices« Orientierung und Anleitung für den anspruchsvollen Migrationsprozess Wie entflechtet man ein monolithisches System und überführt es in eine Microservices-Architektur? Und wie erhält man gleichzeitig den normalen Betrieb aufrecht? Sam Newman, Autor des viel beachteten Titels »Building Microservices«, beschreibt Szenarien und erprobte Strategien, um bestehende Systeme erfolgreich zu migrieren: von der ersten Planung bis zum Zerlegen von Anwendung und Datenbank. Newman greift hierbei auf viele anschauliche Beispiele zurück, stellt aufschlussreiche Pattern für die Migration vor und gibt praktische Ratschläge. Für Organisationen, die ihre Codebasis in Richtung einer Microservices-Architektur überführen und nicht komplett neu aufbauen wollen Unterstützt Unternehmen bei der Frage, ob und wann sie migrieren und wo sie konkret beginnen sollten Befasst sich mit der Integration und Migration von Legacy-Systemen und der Kommunikation mit diesen Systemen Stellt Migrationspattern vor und beschreibt, wo und wie sie am besten eingesetzt werden Bietet Beispiele für die Datenbankmigration und begleitende Synchronisationsstrategien Beschreibt das Zerlegen von Anwendungen einschließlich einer Reihe von Refaktorisierungspattern

Der praktische Einstieg in PyTorch Lernen Sie, neuronale Netze zu erstellen und sie für verschiedene Datentypen zu trainieren Das Buch deckt den gesamten Entwicklungszyklus von Deep-Learning-Anwendungen ab: Vom Erstellen über das Debuggen bis zum Deployen Mit Use Cases, die zeigen, wie PyTorch bei führenden Unternehmen eingesetzt wird Mit diesem Praxisbuch meistern Sie die Methoden des Deep Learning, einer Teildisziplin des Machine Learning, die die Welt um uns herum verändert. Machen Sie sich mit PyTorch, dem populären Python-Framework von Facebook, vertraut, und lernen Sie Schlüsselkonzepte und neueste Techniken kennen, um eigene neuronale Netze zu entwickeln. Ian Pointer zeigt Ihnen zunächst, wie Sie PyTorch in einer Cloud-basierten Umgebung einrichten. Er führt Sie dann durch die einzelnen Schritte der Entwicklung von neuronalen Architekturen, um typische Anwendungen für Bilder, Ton, Text und andere Datenformate zu erstellen. Er erläutert auch das innovative Konzept des Transfer Learning und das Debuggen der Modelle. Sie erfahren zudem, wie Sie Ihre Deep-Learning-Anwendungen in den Produktiveinsatz bringen. Aus dem Inhalt: Ergründen Sie modernste Modelle für das Natural Language Processing, die mit umfangreichen Textkorpora wie dem Wikipedia-Datensatz trainiert wurden Verwenden Sie das PyTorch-Paket torchaudio, um Audiodateien mit einem neuronalen Konvolutionsmodell zu klassifizieren Lernen Sie, wie man Transfer Learning auf Bilder anwendet Debuggen Sie PyTorch-Modelle mithilfe von TensorBoard und Flammendiagrammen Deployen Sie PyTorch-Anwendungen im Produktiveinsatz in Docker-Containern und Kubernetes-Clustern, die in der Google Cloud laufen Erkunden Sie PyTorch-Anwendungsfälle von führenden Unternehmen Für die deutsche Ausgabe wurde das Buch in Zusammenarbeit mit Ian Pointer von Marcus Fraaß aktualisiert und um einige Themen erweitert.

Das praktische Nachschlagewerk zum Machine Learning mit strukturierten Daten Konzentriert sich auf Themen, die für den praktizierenden Machine-Learning-Anwender interessant sind Enthält eine große Anzahl wertvoller Codebeispiele für strukturierte Daten, die in der Praxis konkret weiterhelfen Zeigt, wie verschiedene Bibliotheken zur Lösung praktischer Fragestellungen eingesetzt werden Diese praktische Referenz bietet eine Sammlung von Methoden, Ressourcen und Codebeispielen zur Lösung gängiger Machine-Learning-Probleme bei der Auswertung strukturierter Daten. Matt Harrison hat einen wertvollen Leitfaden zusammengestellt, den Sie als Nachschlagewerk und zur Anregung nutzen können: für eigene Projekte oder als Begleitmaterial für Machine-Learning-Kurse. Das Buch ist ideal für Data Scientists, Softwareentwickler und Datenanalysten, die Machine Learning praktisch anwenden. Es bietet einen Überblick über den kompletten Machine-Learning-Prozess und stellt Ihnen verschiedene Bibliotheken und Modelle mit ihren jeweiligen Vor- und Nachteilen und Anpassungsmöglichkeiten vor. Die Codebeispiele sind so kompakt und nachvollziehbar, dass Sie sie für Ihre eigenen Projekte verwenden und auch gut anpassen können. Themen dieser Referenz: Klassifikation veranschaulicht am Titanic-Datensatz Datenbereinigung und der Umgang mit fehlenden Daten Explorative Datenanalyse Typische Vorverarbeitungsschritte Auswahl von Merkmalen, die für das Modell relevant sind Modellauswahl und die Interpretation von Modellen Regression mit verschiedenen Machine-Learning-Techniken Metriken für die Klassifikations- und Regressionsbewertung Clustering und Dimensionsreduktion Scikit-learn-Pipelines

Grundprinzipien und Konzepte neuronaler Netze systematisch und verständlich erklärt Deep-Learning-Grundlagen für Data Scientists und Softwareentwickler mit Erfahrung im Machine Learning Implementierung der Deep-Learning-Konzepte mit dem beliebten Framework PyTorch Zahlreiche Codebeispiele in Python verdeutlichen die konkrete Umsetzung Dieses Buch vermittelt Ihnen das konzeptionelle und praktische Rüstzeug, um ein tiefes Verständnis für die Funktionsweise neuronaler Netze zu bekommen. Sie lernen die Grundprinzipien des Deep Learning kennen, zu deren Veranschaulichung Seth Weidman gut nachvollziehbare Konzeptmodelle entwickelt hat, die von Codebeispielen begleitet werden. Das Buch eignet sich für Data Scientists und Softwareentwickler mit Erfahrung im Machine Learning. Sie beginnen mit den Basics des Deep Learning und gelangen schnell zu den Details fortgeschrittener Architekturen, indem Sie deren Aufbau von Grund auf neu implementieren. Dabei lernen Sie mehrschichtige neuronale Netze wie Convolutional und Recurrent Neural Networks kennen. Diese neuronalen Netzwerkkonzepte setzen Sie dann mit dem beliebten Framework PyTorch praktisch um. Auf diese Weise bauen Sie ein fundiertes Wissen darüber auf, wie neuronale Netze mathematisch, rechnerisch und konzeptionell funktionieren.

Lassen Sie Ihre Deep-Learning-Modelle kreativ werden! Das Buch zeigt, wie die innovativsten Deep-Learning-Algorithmen wie Generative Adversarial Networks (GANs) und Variational Autoencoder (VAEs) funktionieren Für kreative Data Scientists und Programmierer, die gerne mit Code experimentieren Verwendet Python, Keras und TensorFlow Generative Modelle haben sich zu einem der spannendsten Themenbereiche der Künstlichen Intelligenz entwickelt: Mit generativem Deep Learning ist es inzwischen möglich, einer Maschine das Malen, Schreiben oder auch das Komponieren von Musik beizubringen - kreative Fähigkeiten, die bisher dem Menschen vorbehalten waren. Mit diesem praxisnahen Buch können Data Scientists einige der eindrucksvollsten generativen Deep-Learning-Modelle nachbilden, wie z.B. Generative Adversarial Networks (GANs), Variational Autoencoder (VAEs), Encoder-Decoder- sowie World-Modelle. David Foster vermittelt zunächst die Grundlagen des Deep Learning mit Keras und veranschaulicht die Funktionsweise jeder Methode, bevor er zu einigen der modernsten Algorithmen auf diesem Gebiet vorstößt. Die zahlreichen praktischen Beispiele und Tipps helfen Ihnen herauszufinden, wie Ihre Modelle noch effizienter lernen und noch kreativer werden können. Aus dem Inhalt Entdecken Sie, wie Variational Autoencoder den Gesichtsausdruck auf Fotos verändern können Erstellen Sie praktische GAN-Beispiele von Grund auf und nutzen Sie CycleGAN zur Stilübertragung und MuseGAN zum Generieren von Musik Verwenden Sie rekurrente generative Modelle, um Text zu erzeugen, und lernen Sie, wie Sie diese Modelle mit dem Attention-Mechanismus verbessern können Erfahren Sie, wie generatives Deep Learning Agenten dabei unterstützen kann, Aufgaben im Rahmen des Reinforcement Learning zu erfüllen Lernen Sie die Architektur von Transformern (BERT, GPT-2) und Bilderzeugungsmodellen wie ProGAN und StyleGAN kennen »Dieses Buch ist eine leicht zugängliche Einführung in das Deep-Learning-Toolkit für generatives Modellieren. Wenn Sie ein kreativer Praktiker sind, der es liebt, an Code zu basteln, und Deep Learning für eigene Aufgaben nutzen möchte, dann ist dieses Buch genau das Richtige für Sie.« - David Ha, Research Scientist bei Google Brain

Entdecken Sie Muster in Daten, die für den Menschen nicht erkennbar sind Unsupervised Learning könnte der Schlüssel zu einer umfassenderen künstlichen Intelligenz sein Voller praktischer Techniken für die Arbeit mit ungelabelten Daten, verständlich geschrieben und mit unkomplizierten Python-Beispielen Verwendet Scikit-learn, TensorFlow und Keras Ein Großteil der weltweit verfügbaren Daten ist ungelabelt. Auf diese nicht klassifizierten Daten lassen sich die Techniken des Supervised Learning, die im Machine Learning viel genutzt werden, nicht anwenden. Dagegen kann das Unsupervised Learning - auch unüberwachtes Lernen genannt - für ungelabelte Datensätze eingesetzt werden, um aussagekräftige Muster zu entdecken, die tief in den Daten verborgen sind. Muster, die für den Menschen fast unmöglich zu entdecken sind. Wie Data Scientists Unsupervised Learning für ihre Daten nutzen können, zeigt Ankur Patel in diesem Buch anhand konkreter Beispiele, die sich schnell und effektiv umsetzen lassen. Sie erfahren, wie Sie schwer zu findende Muster in Daten herausarbeiten und dadurch z.B. tiefere Einblicke in Geschäftsprozesse gewinnen. Sie lernen auch, wie Sie Anomalien erkennen, automatisches Feature Engineering durchführen oder synthetische Datensätze generieren. Aus dem Inhalt Vergleichen Sie die Stärken und Schwächen der verschiedenen Ansätze des Machine Learning: Supervised, Unsupervised und Reinforcement Learning Richten Sie ein Machine-Learning-Projekt ein und verwalten Sie es Bauen Sie ein System für die Anomalieerkennung auf, um Kreditkartenbetrug zu erfassen Nutzen Sie Clustering-Algorithmen, um Benutzer in unterschiedliche und homogene Gruppen zusammenzufassen Führen Sie Semi-supervised Learning durch Entwickeln Sie Filmempfehlungssysteme mit eingeschränkten Boltzmann-Maschinen Generieren Sie synthetische Bilder mit Generative Adversarial Networks (GANs)

Die besten Muster und Prinzipien in einem Buch Umfangreicher Überblick über die in der Praxis relevanten Patterns mit Beispielen aus dem realen Arbeitsalltag inkl. aller Code-Beispiele zum kostenlosen Download Source Code und Issue Tracker auf GitHub In diesem praktischen Handbuch stellen Ihnen die Autoren Bilgin Ibryam und Roland Huß von Red Hat verbreitete, wiederverwendbare Muster und Prinzipien zum Design und zur Implementierung von Cloud-nativen Anwendungen auf Kubernetes vor. Zu jedem Pattern gibt es eine Beschreibung des Problems und eine Lösung speziell für Kubernetes. Alle Patterns sind durch konkrete Code-Beispiele ergänzt. Dieses Buch ist ideal für Entwickler und Architekten, die schon mit den grundlegenden Konzepten von Kubernetes vertraut sind und nun lernen wollen, wie sie häufig auftretende Cloud-native Probleme mit bewährten Entwurfsmustern angehen können. Über diese Pattern-Kategorien werden Sie etwas erfahren: Grundlegende Patterns behandeln die zentralen Prinzipien und Praktiken für das Bauen Container-basierter Cloud-nativer Anwendungen. Verhaltens-Patterns untersuchen detaillierte Konzepte für das Managen von Container- und Plattform-Interaktionen. Strukturelle Patterns helfen Ihnen dabei, Container in einem Pod so zu organisieren, dass spezifische Anwendungsfälle gelöst werden können. Konfigurations-Patterns liefern Einblicke in den Umgang mit Anwendungskonfigurationen in Kubernetes. Fortgeschrittene Patterns behandeln komplexere Themen wie Operatoren oder Autoscaling.

Professionelle Datenvisualisierung: So sprechen und überzeugen Ihre Daten Herausragendes Grundlagenwerk zum Thema Datenvisualisierung Einprägsam und anschaulich durch eine Vielzahl von guten und schlechten Beispielen Hoher Praxisnutzen durch Tipps zu Diagrammtypen, dem Einsatz von Farben und Formen u. v. m. Wie wird Wissen, das in komplexen Datensätzen steckt, zugänglich? Durch professionelle Datenvisualisierung. Ob Data Scientist, Wissenschaftler, Analyst oder Berater oder einfach alle, die technische Dokumente oder Berichte erstellen müssen: Datenvisualisierung ist zu einer unverzichtbaren Kernkompetenz geworden. Claus O. Wilke bietet in seinem Grundlagenwerk eine systematische Einführung in die Prinzipien, Methoden und Konzepte der Datenvisualisierung - und das sehr praxisnah und anschaulich: durch solide Grundlagen und unzählige gute und schlechte Beispiele. Nach der Lektüre wissen Sie, was professionelle Abbildungen ausmacht: Welche Darstellungsmöglichkeiten gibt es? Wie entwickelt man ein aussagekräftiges Farbschema? Welcher Visualisierungstyp eignet sich am besten für die Geschichte, die Sie erzählen möchten? Wilkes Grundlagenwerk verzichtet bewusst auf Programmcode. Die beschriebenen Konzepte und Prinzipien können - ganz gleich mit welcher Visualisierungssoftware Sie arbeiten - angewendet werden. R-Nutzer finden den Code zu den Abbildungen auf GitHub.

Herausragendes Fachbuch zu TypeScript und seinem Ökosystem TypeScripts ausgeklügeltes Typsystem verstehen Tiefgehende Einsichten in die Sprache gewinnen (Minko Gechev, Angular-Team bei Google) Von den Grundlagen bis zu Applikationen im Produktionsbetrieb Programmierer, die mit dynamisch typisierten Sprachen arbeiten, wissen nur zu genau, wie schlecht ihre Projekte skalieren: wie schwierig es ist, mit einer umfangreichen Codebasis zu arbeiten und viele Entwickler einzubinden. Facebook, Google und Microsoft haben deshalb statisch typisierte Schichten für ihren JavaScript-und Python-Code entwickelt. TypeScript ist hier besonders interessant: Die Sprache bietet ein mächtiges statisches Typsystem, sodass Projekte besser skalieren und das Programmieren wieder Spaß macht. Boris Cherny zeigt Programmierern mit JavaScript-Grundkenntnissen, wie die Konzepte hinter TypeScript gedacht sind und wie man die Sprache sicher beherrscht. Sie erfahren, wie TypeScript Sie dabei unterstützt, Bugs zu vermeiden und Ihren Code für deutlich mehr Entwickler zu skalieren. Was Sie in diesem Buch erwartet: Mit den Grundlagen beginnen: Sie lernen verschiedene Typen und Typ-Operatoren von TypeScript kennen und erfahren, wofür und wie sie benutzt werden. Fortgeschrittene Themen erarbeiten: Sie verstehen TypeScripts ausgeklügeltes Typsystem, wie Sie Fehler sicher behandeln und asynchrone Programme entwickeln. In die Praxis eintauchen: Sie verwenden TypeScript mit den Frontend- und Backend-Frameworks Ihrer Wahl, migrieren JavaScript-Projekte zu TypeScript und führen TypeScript-Anwendungen im Produktivbetrieb aus.

Neuauflage des Standardwerks, jetzt zu Python 3.6 Der ideale Einstieg in Data Science - didaktisch klug angelegt und gut nachvollziehbar Bietet mathematisches Hintergrundwissen und einen Crashkurs für Python Enthält neues Material zu Deep Learning, Statistik und Natural Language Processing Dieses Buch führt Sie in Data Science ein, indem es grundlegende Prinzipien der Datenanalyse erläutert und Ihnen geeignete Techniken und Werkzeuge vorstellt. Sie lernen nicht nur, wie Sie Bibliotheken, Frameworks, Module und Toolkits konkret einsetzen, sondern implementieren sie auch selbst. Dadurch entwickeln Sie ein tieferes Verständnis für die Zusammenhänge und erfahren, wie essenzielle Tools und Algorithmen der Datenanalyse im Kern funktionieren. Falls Sie Programmierkenntnisse und eine gewisse Sympathie für Mathematik mitbringen, unterstützt Joel Grus Sie dabei, mit den mathematischen und statistischen Grundlagen der Data Science vertraut zu werden und sich Programmierfähigkeiten anzueignen, die Sie für die Praxis benötigen. Dabei verwendet er Python: Die weit verbreitete Sprache ist leicht zu erlernen und bringt zahlreiche Bibliotheken für Data Science mit.

Moderne Deep-Learning-Methoden für Sprachanwendungen nutzen Lernen Sie die Konzepte von PyTorch kennen Entwickeln Sie ein solides Verständnis von NLP Sammeln Sie mit den Beispielen im Buch genug Erfahrung, um Ihre eigenen Aufgabenstellungen mit den besprochenen Methoden abzubilden Sprachanwendungen wie Amazon Alexa und Google Translate sind heute allgegenwärtig. Grundlage dafür ist das Natural Language Processing (NLP), das zahllose Möglichkeiten für die Entwicklung intelligenter, Deep-Learning-basierter Anwendungen eröffnet. In diesem Buch lernen Sie die neuesten Techniken zur Verarbeitung von Sprache kennen und nutzen dabei das neue, flexible Deep-Learning-Framework PyTorch. Die Autoren vermitteln Ihnen einen Überblick über NLP-Methoden und Grundkonzepte neuronaler Netze und demonstrieren Ihnen dann, wie Sie Sprachanwendungen mit PyTorch entwickeln. Sie erfahren z.B., wie Sie Einbettungen verwenden, um Wörter, Sätze und Dokumente darzustellen, wie sich Sequenzdaten mit RNNs modellieren und Sequenzvoraussagen und Sequenz-zu-Sequenz-Modelle generieren lassen, und Sie lernen Entwurfsmuster für den Aufbau von produktionsreifen NLP-Systemen kennen.

Die Merkmalskonstruktion, auch Feature Engineering genannt, ist ein entscheidender Arbeitsschritt bei der Datenaufbereitung für das maschinelle Lernen, der die Leistung der Modelle stark beeinflusst. In diesem praxisnahen Buch lernen Sie Techniken, um Merkmale - numerische Repräsentationen eines bestimmten Aspekts von Rohdaten - zu gewinnen und mit maschinellen Lernmodellen nutzbar zu machen. Jedes Kapitel führt Sie durch eine spezifische Aufgabe der Datenanalyse wie etwa die Darstellung von Text- oder Bilddaten. Diese Beispiele veranschaulichen die wichtigsten Prinzipien der Merkmalskonstruktion. Statt diese Prinzipien nur zu beschreiben, legen die Autorinnen Alice Zheng und Amanda Casari im gesamten Buch den Schwerpunkt auf die praktische Anwendung mit Übungen. Das Schlusskapitel vertieft das Gelernte, indem es verschiedene Techniken der Merkmalskonstruktion auf einen realen, strukturierten Datensatz anwendet. In den Beispielen werden Python-Pakete wie numpy, Pandas, scikit-learn und Matplotlib verwendet.Aus dem Inhalt:- Merkmalskonstruktion an numerischen Daten: Filter, Klasseneinteilung, Skalierung, logarithmische und Potenz-Transformationen- Techniken für natürlichen Text: Bag-of-Words-Modelle, n-Gramme und Phrasenerkennung- Frequenzfilterung und Merkmalsskalierung zum Entfernen aussageloser Merkmale- Kodierungstechniken für Kategorievariablen, darunter Merkmals-Hashing und Klassenzählung- Modellgesteuerte Merkmalskonstruktion mit der Hauptkomponentenanalyse- Das Konzept der Modellkombination mit dem k-Means-Algorithmus als Technik zur Merkmalserzeugung- Gewinnung von Bildmerkmalen anhand manueller und Deep-Learning-Techniken "Datenaufbereitung und Merkmalskonstruktion haben sich in vielen Anwendungen als die wichtigsten Einflussfaktoren für die Leistungsfähigkeit der Modelle erwiesen. Ich freue mich, dass es endlich ein Buch gibt, das sich nur diesem Thema widmet. Alice und Amanda erklären sehr detailliert die Feinheiten vieler verbreiteter Techniken."- Andreas C. MüllerDozent für Machine Learning an der Universität von Columbia und Kernentwickler bei scikit-learn

Auch in der .NET-Welt werden immer mehr Web- und Cross-Plattformanwendungen mit HTML, CSS, JavaScript/TypeScript und SPA-Frameworks clientseitig programmiert, während auf dem Server ASP.NET oder ASP.NET Core zum Einsatz kommt. Das erfahrene www.IT-Visions.de-Expertenteam um Dr. Holger Schwichtenberg zeigt, wie Sie mit diesem Technikmix moderne Single-Page-Webanwendungen und mobile Cross-Platform-Apps realisieren. Es liefert Praxiswissen für Entwickler, die bislang Windows-Desktop-Anwendungen entwickelt haben oder nur mit älteren ASP.NET-Konzepten (Webforms) vertraut sind. Das Buch deckt ein umfassendes Themenspektrum ab:Web-Basiswissen: HTML und CSS, das Framework Bootstrap, das von CSS abstrahiert und von Microsoft in den Projektvorlagen für ASP.NET und ASP.NET Core eingesetzt wird.Webserverprogrammierung mit ASP.NET: das klassische Framework ASP.NET Model-View-Controller (MVC) und das klassische Web API ASP.NET sowie ASP.NET SignalR, die auf dem .NET Framework 4.x und nur auf Windows-Systemen laufen.Webserverprogrammierung mit ASP.NET Core: das neue ASP.NET Core inklusive WebAPI und SignalR Core, das auf dem Windows-basierten .NET »Full« Framework 4.x oder dem plattformneutralen .NET Core läuft. Inklusive einer Fallstudie zu Microservices mit ASP.NET Core Web API und RabbitMQ.Web-Client-Programmierung: Einführungen in die Programmiersprachen JavaScript und TypeScript und die Single-Page-Web-Frameworks Angular und React sowie ASP.NET Blazor, das auf C# aufbauende SPA-Framework.Hosting von ASP.NET und ASP.NET Core: Self-Hosting sowie Hosting in den Internet Information Services (IIS), in Docker-Containern und über den Microsoft-Cloud-Dienst Azure.Das Fallbeispiel MiracleList: komplettes Fallbeispiel einer modernen Webanwendung, bestehend aus einem Backend (C# mit ASP.NET Core), einem Web-Frontend (TypeScript mit Angular) sowie Cross-Platform-Apps für Linux, macOS, Windows, Android und iOS (mithilfe von Electron und Cordova aus dem Web-Frontend erzeugt).Bonuskapitel: Sie erhalten zusätzlich drei Kapitel zu React, Open Web Interface for .NET (OWIN) / Katana und ASP.NET Sicherheit als kostenloses PDF zum Herunterladen.Codebeispiele: Für jedes Kapitel stehen die relevanten Codebeispiele als kostenloser Download auf der Webseite zum Buch auf oreilly.de oder unter www.IT-Visions.de/MWA bereit.