fachmedien.de - spezialisierte Fachinformationen für Studium und Beruf
fachmedien.de - spezialisierte Fachinformationen für Studium und Beruf
fachmedien.de - spezialisierte Fachinformationen für Studium und Beruf
fachmedien.de - spezialisierte Fachinformationen für Studium und Beruf
fachmedien.de - spezialisierte Fachinformationen für Studium und Beruf

Site Breadcrumb

Verkauf durch Sack Fachmedien

Truong

Demystifying AI

Data Science and Machine Learning Using IBM SPSS Modeler

Medium: Buch
ISBN: 978-1-032-74000-3
Verlag: Chapman and Hall/CRC
Erscheinungstermin: 16.12.2025
In den Warenkorb
Lieferfrist: bis zu 10 Tage
Auf die Merkliste Drucken
Überschrift

Beschreibung

Kostenloser Versand

nach Deutschland, Österreich und in die Schweiz

Bequem zahlen

Rechnung, Kreditkarte, PayPal oder Bankeinzug

Wir sind gerne für Sie da

0800 000-1378 (Inland)
service@fachmedien.de
<<Kontaktformular>>

Fragen

Fragen Lorem ipsum dolor sit amet, consetetur sadipscing elitr, sed diam nonumy eirmod tempor invidunt ut labore et dolore magna aliquyam erat, sed diam voluptua
Anwtorten

Anwtorten At vero eos et accusam et justo duo dolores et ea rebum. Stet clita kasd gubergren, no sea takimata sanctus est Lorem ipsum dolor sit amet. Lorem ipsum dolor sit amet

As artificial intelligence advances at an exponential pace, understanding data science and machine learning has become increasingly essential. Yet, the wide range of available resources can be daunting, posing challenges for beginners. This second book builds on the foundation laid in the first, Data Science and Machine Learning for Non-Programmers: Using SAS Enterprise Miner, providing similar fundamental knowledge of data science and machine learning in an accessible way. It is specifically designed to cater to readers who prefer a hands-on guide using IBM SPSS Modeler, a widely popular software that does not require coding or programming skills. Like the first book, this volume helps learners from various non-technical fields gain practical insight into machine learning but shifts the focus to a different tool for those seeking alternatives to coding.

In this book, readers are guided through practical implementations using real datasets and IBM SPSS Modeler, a user-friendly data mining tool. The approach remains consistent with a focus on application, providing step-by-step instructions for all stages of the data mining process using two large datasets, ensuring continuity and reinforcing concepts in a cohesive project framework. This book also offers practical advice on presenting data mining results effectively, aiding readers in communicating insights clearly to stakeholders.

Together with the first book, this volume is a companion for beginners and experienced practitioners alike. It targets a broad audience, including students, lecturers, researchers, and industry professionals. It offers flexibility in learning pathways and deepens understanding of data science using easy-to-follow, software-based approaches.

Produkteigenschaften

  • Artikelnummer: 9781032740003
  • Medium: Buch
  • ISBN: 978-1-032-74000-3
  • Verlag: Chapman and Hall/CRC
  • Erscheinungstermin: 16.12.2025
  • Sprache(n): Englisch
  • Auflage: 1. Auflage 2025
  • Serie: Chapman & Hall/CRC Data Mining and Knowledge Discovery Series
  • Produktform: Gebunden, HC gerader Rücken kaschiert
  • Gewicht: 1340 g
  • Seiten: 616
  • Format (B x H x T): 183 x 260 x 37 mm
  • Ausgabetyp: Kein, Unbekannt

Themen

Autoren/Hrsg.

Autoren

PART I Introduction to Data MiningChapter 1 Introduction to Data Mining and Data ScienceChapter 2 Data Mining Processes, Methods, and SoftwareChapter 3 Data Sampling and PartitioningChapter 4 Data Visualization and ExplorationChapter 5 Data ModificationPART II Data Mining MethodsChapter 6 Model EvaluationChapter 7 Regression MethodsChapter 8 Decision TreesChapter 9 Neural NetworksChapter 10 Ensemble ModelingChapter 11 Presenting Results and Writing Data Mining ReportsChapter 12 Principal Component AnalysisChapter 13 Cluster AnalysisPART III Advanced Data Mining MethodsChapter 14 Random ForestChapter 15 Gradient BoostingChapter 16 Bayesian NetworksAppendix AAppendix BAppendix C