Über uns

À propos de nous

Nachhaltigkeit

Durabilité

Open Access

Karriere

Carrière

Datenschutz

Protection des données

Impressum

Mentions légales

Zahlung und Lieferung

Paiement et livraison

LEXIA

LEXIA Arbeitsrecht

Was ist LEXIA?

C'est quoi LEXIA ?

LEXIA Familienrecht

Zeitschriften

Revues

recht

Pflegerecht

ZBJV

forumpoenale

ZStrR

Anwaltsrevue

Revue de l'avocat

RSAS

FamPra.ch

ASYL

Life Science Recht

BlAR

Sachbuch

Livres spécialisés

LOKI

Semaphor

Fokusthemen

Focus

Thema

Recht studieren

Arbeitsrecht

Droit du travail

Studium

Études

Familienrecht

Droit de la famille

Sozialversicherungsrecht

Droit des assurances sociales

Strafrecht

Droit pénal

Publikationen

Publications

Literatur

Onlinemodule LEXIA

Modules en ligne LEXIA

Bücher

Livres

Buchreihen

Collections

Datenbanken

recht.ch

Studienliteratur

Littérature pour les études

Services

Dienstleistungen für

Corporate Books

Publishing Lösungen

Aktuelles

Geschäftskunden

Professionnels

Corporate Publishing

Content solutions

Buchhandlungen

Librairies

Veranstaltungen

Événements

Presse

Dozierende

Enseignants

Studierende

Étudiants

Inserierende

Annonceurs

Newsletter

Blog

Autorinnen/Autoren

Auteurs

Unsere Schreibenden

Hilfe

Unsere Autorinnen und Autoren

Liste

Autorenlounge

Espace des auteurs

Bei uns publizieren

Publier chez nous

Autorenstimmen

Témoignages

Verlag

Éditions

Themen

Mehr wissen

Mitarbeitende

Collaborateurs

Geschichte

Histoire

Vision und Mission

Vision et mission

Unser Magazin

Notre magazine

Unternehmenskultur

Culture d'entreprise

Partner

Partenaires

Kontakt

Contact

Shop

Schweizer Recht

Ausländisches Recht

Über unseren Shop

Neuerscheinungen

Nouveautés

Unsere Funktionen

Nos fonctions

Vorankündigungen

À paraître

Nach Rechtsgebiet

Par domaine juridique

Kommentare

Commentaires

Gesamtkatalog

Catalogue complet

Hijab O: Math for Data Science

Math for Data Science

Machine Learning und Künstliche Intelligenz sind mehr als nur Schlagworte – sie sind Schlüsseltechnologien, die unsere Wirtschaft und Gesellschaft nachhaltig verändern. Dennoch zögern viele Unternehmen, diese Potenziale zu nutzen. Woran liegt das? Häufig fehlt es an Know-how, Vertrauen und einem klaren Verständnis der Methoden und Einsatzmöglichkeiten.Dieses Buch vermittelt praxisnahes Know-how für Entscheider und Interessierte, die verstehen wollen, wie Machine Learning funktioniert und welchen Nutzen es für Unternehmen stiften kann. Mit der kostenlosen Programmiersprache Python als Werkzeug werden reale Business Cases wie Hauspreisprognosen (Regression), Kreditrisikobewertung (Klassifikation), Kundensegmentierung (Clustering), Cross-Selling (Empfehlungsmaschinen) und Dynamic Pricing (Bestärkendes Lernen) nachvollziehbar erklärt.Darüber hinaus werden Best Practices zur Datenvorverarbeitung sowie die grundlegende Methodik des Machine Learnings vorgestellt. So entsteht ein fundiertes Verständnis, das hilft, Vertrauen in die Technologie aufzubauen. Ein Buch für alle, die verstehen wollen, wie aus Daten echte Entscheidungen werden.Der Inhalt<ul><li>Nutzen von Machine Learning und KI</li><li>Best Practices</li><li>Python-Grundlagen</li><li>Erstellung von KI-Anwendungen</li><li>Anwendung von Machine Learning</li></ul>Der Autor Bernd Heesen ist Professor an der wirtschaftswissenschaftlichen Fakultät der Hochschule Ansbach in Bayern. Vor seiner Tätigkeit an der Hochschule war er mehr als 10 Jahre als Unternehmensberater im In- und Ausland tätig. Er berät Unternehmen auch weiterhin bezüglich der Nutzung von IT-Innovationen.

In einer VUCA-Welt, die immer unbeständiger, unsicherer und komplexer ist, gilt es zeitnah und faktenbasiert zu agieren. Neben den eigenen Erfahrungen der Vergangenheit gilt es ein umfassendes Verständnis der aktuellen Lage zu besitzen, Daten über die eigene Organisation ebenso wie den Markt bei der Entscheidungsfindung zu berücksichtigen und auch Methoden der Künstlichen Intelligenz und des Maschine Learnings einzusetzen.Die Konkurrenz schläft nicht und wer im Zeitalter der Digitalisierung nicht vertraut ist mit den Methoden und Möglichkeiten der Künstlichen Intelligenz, der ist vielleicht schon bald nicht mehr konkurrenzfähig.Die kostenlose (Open Source) Programmiersprache Python hat sich in Verbindung mit Bibliotheken wie TensorFlow, PyTorch und Scikit-Learn als eine der führenden Entwicklungsumgebungen in dem Bereich des Machine Learning etabliert.Dieses Buch vermittelt Ihnen auf Basis der zum Zeitpunkt der Publikation aktuellsten Version von Python, wie Sie Künstliche Intelligenz und Machine Learning nutzen können. Um die Anwendungsmöglichkeiten besser abschätzen zu können werden im Buch zunächst wesentliche Methoden und Algorithmen des Machine Learning wie Entscheidungsbäume, Random Forests, Support-Vector-Maschinen, K-Nearest-Neighbor, K-Means Clustering, Hauptkomponentenanalyse, Neuronale Netze und Deep Learning vorgestellt. Auch ein Vorgehensmodell zur Einführung von Machine Learning wird vorgestellt, welches neben der Modellauswahl und dem Modelltraining auch die Validierung und Qualitätsbewertung beinhaltet. Dieses Verständnis entmystifiziert die Künstliche Intelligenz und ermöglicht die Funktionsweise des Machine Learning nachzuvollziehen. Das dadurch entstehende Vertrauen schafft die Basis für die Akzeptanz der Künstlichen Intelligenz.

Erstellung eigener Anwendungen mit Python

Künstliche Intelligenz im Business

Dieses Handbuch setzt dort an, wo die meisten Einführungstexte zur angewandten Statistik aufhören: Anerkannte Expertinnen und Experten führen in fortgeschrittene Methoden, Modelle und Konzepte der angewandten Statistik ein und geben Hinweise zur tiefergehenden Lektüre. Schwerpunkte sind dabei zum einen flexible Methoden und Modellklassen für Regressionsprobleme, die unterschiedliche Aspekte adressieren, welche im klassischen linearen Modell nicht adäquat abgebildet bzw. berücksichtigt werden können. Zu nennen sind hier beispielhaft die Verteilungsregression, generalisierte additive Modelle, Überlebenszeitanalysen und maschinelle Lernverfahren. Zum anderen werden zahlreiche Methoden der modernen statistischen Inferenz behandelt, wie etwa Bayesianische Ansätze, Bootstrap- und Permutationstests, kausale Inferenz oder Tests bei hochdimensionalen Daten. Abgerundet wird das Buch durch übergreifende Kapitel zu fehlenden Daten und reproduzierbarer bzw. replizierbarer Forschung. Die einzelnen Beiträge sind dabei unabhängig von den anderen Kapiteln lesbar. Das Handbuch wendet sich zum einen an Anwenderinnen und Anwender aus der Praxis sowie Promovierende und PostDocs mit soliden Grundkenntnissen der Statistik, die sich anhand kompakter Darstellungen von jeweils etwa 30 Seiten über weiterführende Themen der angewandten Statistik informieren möchten. Zum anderen ist das Buch geeignet für Studierende aus höheren Semestern in Studiengängen, in denen die adäquate und tiefergehende Analyse empirischer Daten von zentraler Bedeutung ist.Die HerausgeberJan Gertheiss ist Professor für Statistik und Data Science an der Fakultät für Wirtschafts- und Sozialwissenschaften der Helmut-Schmidt-Universität/Universität der Bundeswehr Hamburg. Seine Forschungsschwerpunkte liegen im anwendungsorientierten und -motivierten statistischen Lernen.Matthias Schmid ist Professor für Medizinische Biometrie, Informatik und Epidemiologie an der Medizinischen Fakultät der Rheinischen Friedrich-Wilhelms-Universität Bonn. Seine Forschungsschwerpunkte liegen im Bereich der Regressionsmodellierung, der Analyse von Überlebenszeiten und des statistischen Lernens.Martin Spindler ist Professor für Statistik an der Universität Hamburg. Seine Forschungsschwerpunkte liegen sowohl in&nbsp;der Theorie als auch der Anwendung non maschinellem Lernen, Deep Learning und Causal Machine Learning.

Dieses Handbuch setzt dort an, wo die meisten Einführungstexte zur angewandten Statistik aufhören: Anerkannte Expertinnen und Experten führen in fortgeschrittene Methoden, Modelle und Konzepte der angewandten Statistik ein und geben Hinweise zur tiefergehenden Lektüre. Schwerpunkte sind dabei zum einen flexible Methoden und Modellklassen für Regressionsprobleme, die unterschiedliche Aspekte adressieren, welche im klassischen linearen Modell nicht adäquat abgebildet bzw. berücksichtigt werden können. Zu nennen sind hier beispielhaft die Verteilungsregression, generalisierte additive Modelle, Überlebenszeitanalysen und maschinelle Lernverfahren. Zum anderen werden zahlreiche Methoden der modernen statistischen Inferenz behandelt, wie etwa Bayesianische Ansätze, Bootstrap- und Permutationstests, kausale Inferenz oder Tests bei hochdimensionalen Daten. Abgerundet wird das Buch durch übergreifende Kapitel zu fehlenden Daten und reproduzierbarer bzw. replizierbarer Forschung. Die einzelnen Beiträge sind dabei unabhängig von den anderen Kapiteln lesbar. Das Handbuch wendet sich zum einen an Anwenderinnen und Anwender aus der Praxis sowie Promovierende und PostDocs mit soliden Grundkenntnissen der Statistik, die sich anhand kompakter Darstellungen von jeweils etwa 30 Seiten über weiterführende Themen der angewandten Statistik informieren möchten. Zum anderen ist das Buch geeignet für Studierende aus höheren Semestern in Studiengängen, in denen die adäquate und tiefergehende Analyse empirischer Daten von zentraler Bedeutung ist.

Handbuch fortgeschrittener Modelle, Methoden und Konzepte

Moderne Verfahren der Angewandten Statistik

Apress Pocket Guides

Unlock the secrets of effective data analysis with the Data Flow Map framework, a game-changing approach that transcends tools and platforms. This book isn't just another programming manual—it's a guide to thinking and communicating about data at a higher level. Whether using a spreadsheet, database, or AI-driven model, you'll learn how to elevate your analytical skills, tell compelling stories with your findings, and quickly align your team for impactful decision making.In today's data-rich environment, the real challenge is clarity. We're often buried in technical details that obscure the potential for world-changing insights. The Data Flow Map framework simplifies this complexity into three motions: source, focus, and build, along with the section tagging action. The book’s first part explores these categories in detail, laying out the concepts with illustrations and stories. The second half dives into sample data, demonstrating how the framework can be applied using various tools—from spreadsheets to SQL databases to programming languages such as Python. This structure makes it easier to grasp the framework in real-world scenarios, empowering you to focus on the key drivers and deliver results that truly matter.This book stands out as a crucial resource for analysts at any level. With its practical approach, real-world examples, and hands-on applications, you'll quickly adapt to any dataset or tool. The Data Flow Map framework provides a universal mental model for data analysis, enabling you to approach data challenges with confidence, precision, and a deeper understanding. It’s not just a method—it’s a transformation in how you approach data analytics.What You Will Learn<ul><li>Grasp essential elements applicable to every data analysis </li><li>Adapt quickly to any dataset or tool</li><li>&nbsp;Master analytic thinking at a higher level</li><li>Understand how analytics patterns are universal and key to understanding our world</li><li>&nbsp;Break analysis into manageable chunks</li><li>Iterate more quickly to find better solutions</li></ul>

Unlock the secrets of effective data analysis with a framework that transcends tools and platforms. This book isn’t just another programming manual—it’s a guide to thinking and communicating about data at a higher level. Whether you're working in spreadsheets, databases, or AI models, you'll learn to elevate your analytical skills, tell compelling stories, and align your team for smarter decisions.In today’s data-rich world, clarity is the real challenge. The framework simplifies complexity into three core motions—source, focus, build—along with the section tagging action. The first half lays out these concepts with illustrations and stories; the second half applies them to real data using tools like Python, SQL, and Excel.With practical examples and hands-on applications, this book offers a universal mental model for data analysis. It empowers analysts at any level to approach data with confidence, precision, and insight. It’s not just a method—it’s a transformation in how you work with data.What You Will Learn<ul><li>Grasp essential elements applicable to every data analysis </li><li>Adapt quickly to any dataset or tool</li><li>&nbsp;Master analytic thinking at a higher level</li><li>Understand how analytics patterns are universal and key to understanding our world</li><li>&nbsp;Break analysis into manageable chunks</li><li>Iterate more quickly to find better solutions</li></ul>Who This Book Is ForAspiring data professionals and experienced analysts, from beginners to seasoned data engineers, focused on data collection, analysis, and decision making

A Framework for Analytics, Communication, and Data-driven Thinking

The Data Flow Map

Do you want to create data analysis reports without writing a line of code? This book introduces SAS Studio, a free, web-based data science product for educational and non-commercial purposes. The power of SAS Studio lies in its visual, point-and-click user interface, which generates SAS code. It is easier to learn SAS Studio than to learn R and Python to accomplish data cleaning, statistics, and visualization tasks.
The book includes a case study analyzing the data required to predict the results of presidential elections in the state of Maine for 2016 and 2020. In addition to the presidential elections, the book provides real-life examples, including analyses of stock, oil, and gold prices, crime, marketing, and healthcare. You will see data science in action and how easily it can be performed using complicated tasks and visualizations in SAS Studio.
You will learn, step by step, how to perform visualizations, including creating maps. In most cases, you will not need a line of code as you work with the SAS Studio graphical user interface. The book includes explanations of the code that SAS Studio generates automatically. You will learn how to edit this code to perform more complicated advanced tasks.
What You Will Learn
&nbsp;
<ul>
<li>Become familiar with the SAS Studio IDE.</li>
<li>How to create essential visualizations.</li>
<li>Know the fundamental statistical analysis required in most data science and analytics reports.</li>
<li>Clean the most common dataset problems</li>
<li>Learn linear and logistic regression for data prediction and analysis.</li>
<li>Write programs in SAS.</li>
<li>How to analyze data and get insights from it for decision-making.</li>
<li>Learn character, numeric, date, time, and datetime functions and typecasting.</li>
</ul>
&nbsp;

From Clicks to Code

Learn Data Science Using SAS Studio

Troubleshoot and Optimize Query Performance

SQL Server 2025 Query Performance Tuning

This companion volume to Artificial Intelligence: A Guide for Everyone offers a comprehensive exploration of AI analytics, catering to individuals of all backgrounds and expertise levels. It seeks to demystify AI analytics by exploring core concepts, explaining various stages (Descriptive, Diagnostic, Predictive, and Prescriptive), and highlighting their limitations. Through domain-specific applications, it illustrates how AI is utilized across industries for innovation and efficiency, providing dedicated subsections for healthcare, finance, customer support, and more.Artificial Intelligence: Analytics, Platforms, and Risks thoroughly examines the AI infrastructure and ecosystem, offering insights into frameworks, platforms, tools, key players, and the critical hardware and software components supporting AI applications. It also addresses the multifaceted risks and challenges of AI, such as bad data, model selection bias, job displacement, weaponization, and ethical dilemmas, along with strategies to mitigate these risks.&nbsp;Additionally, it discusses the hurdles in AI adoption, including roadblocks, myths, planning complexities, resource requirements, and data and model challenges. Looking ahead, the book explores the future of AI, highlighting catalysts for technological progress, the transformative impact across industries, and emerging trends shaping the field. With the aim of empowering readers to navigate the complexities of AI, harness its potential, and contribute to its responsible and ethical advancement, this book serves as a comprehensive guide to AI technologies.

This companion volume to Artificial Intelligence for Everyone offers a comprehensive exploration of AI analytics, catering to individuals of all backgrounds and expertise levels. It seeks to demystify AI analytics by exploring core concepts, explaining various stages (descriptive, predictive, prescriptive), and highlighting their limitations. Through domain-specific applications, it illustrates how AI is utilized across industries for innovation and efficiency, providing dedicated subsections for healthcare, finance, customer support, and more.Artificial Intelligence: Analytics, Platforms, and Risks thoroughly examines the AI infrastructure and ecosystem, offering insights into frameworks, platforms, tools, key players, and the critical hardware and software components supporting AI applications. It also addresses the multifaceted risks and challenges of AI, such as bad data, model selection bias, job displacement, weaponization, and ethical dilemmas, along with strategies to mitigate these risks. Additionally, it discusses the hurdles in AI adoption, including roadblocks, myths, planning complexities, resource requirements, and data and model challenges. Looking ahead, the book explores the future of AI, highlighting catalysts for technological progress, the transformative impact across industries, and emerging trends shaping the field. With the aim of empowering readers to navigate the complexities of AI, harness its potential, and contribute to its responsible and ethical advancement, this book serves as a comprehensive guide to AI technologies.

Artificial Intelligence: Analytics, Platforms, and Risks

This book is a comprehensive guide that immerses you into the world of building and deploying AI-powered solutions. You are introduced to the core architecture of LLMs and equipped with essential Best Data Practices (BDPs) for utilizing Generative AI responsibly, ensuring ethical and efficient AI deployment.The book starts with the foundational aspects of Generative AI application development. You will learn the nuances of data handling in Generative AI apps, from working with embeddings to managing unstructured and structured data, and handling Personally Identifiable Information (PII) data. The exploration extends to understanding the differences between deterministic and LLM-based data synthesis and integrating Generative AI apps with enterprise data, providing you with practical insights into leveraging data effectively for intelligent applications. A chapter on prompt engineering explains the importance of prompts in AI interactions, covering a spectrum of techniques and pitfalls while offering exercises to enhance prompt engineering skills. As you progress through the book, you take a journey from conceptualization to production and deployment of Generative AI applications. You discover the essentials of Generative AI application development, gain insights into the pathway from ideation to production, and explore the intricacies of LLM selection and fine-tuning.The book equips you with the knowledge and tools necessary to navigate the complex terrain of AI development and deployment, making it an indispensable resource for AI enthusiasts, developers, and business leaders alike.What You Will Learn<ul><li>Know the core architecture of LLMs and how these models have revolutionized AI applications</li><li>Handle various data types, including unstructured, structured, and personally identifiable information (PII) data in Generative AI applications</li><li>Understand prompt engineering and its importance in AI interactions and applications</li><li>Understand modular design of Generative AI apps, essential backend and frontend components, and the unique principles guiding Generative AI app design</li></ul>&nbsp;&nbsp;

This book is a comprehensive guide that immerses you into the world of building and deploying AI-powered solutions. You are introduced to the core architecture of LLMs and equipped with essential Best Data Practices (BDPs) for utilizing Generative AI responsibly, ensuring ethical and efficient AI deployment.The book starts with the foundational aspects of Gehatnerative AI application development. You will learn the nuances of data handling in Generative AI apps, from working with embeddings to managing unstructured and structured data, and handling Personally Identifiable Information (PII) data. The exploration extends to understanding the differences between deterministic and LLM-based data synthesis and integrating Generative AI apps with enterprise data, providing you with practical insights into leveraging data effectively for intelligent applications. A chapter on prompt engineering explains the importance of prompts in AI interactions, covering a spectrum of techniques and pitfalls while offering exercises to enhance prompt engineering skills. As you progress through the book, you take a journey from conceptualization to production and deployment of Generative AI applications. You discover the essentials of Generative AI application development, gain insights into the pathway from ideation to production, and explore the intricacies of LLM selection and fine-tuning.The book equips you with the knowledge and tools necessary to navigate the complex terrain of AI development and deployment, making it an indispensable resource for AI enthusiasts, developers, and business leaders alike.&nbsp;What You Will Learn<ul><li>Know the core architecture of LLMs and how these models have revolutionized AI applications</li><li>Handle various data types, including unstructured, structured, and personally identifiable information (PII) data in Generative AI applications</li><li>Understand prompt engineering and its importance in AI interactions and applications</li><li>Understand modular design of Generative AI apps, essential backend and frontend components, and the unique principles guiding Generative AI app design</li></ul>&nbsp;Who This Book Is ForFrom AI enthusiasts exploring the field to software developers seeking practical insights, and business leaders looking to harness the power of AI for organizational growth and innovation&nbsp;&nbsp;

Building and Deploying Ethical AI-Powered Solutions

Practical Generative AI: From Concept to Deployment

Springer Texts in Business and Economics

This text book focuses on what could be the most important challenge for firms to boost long-term productivity and competitiveness: digital strategy. It seeks to provide readers with a solid knowledge of the most relevant issues and concepts, that will be relevant to MBA students in real-world settings. The book discusses theoretical concepts relating to digital strategy, while also using hands-on data analysis in R software to illustrate some fundamental features and pitfalls of working with real-world data. The book starts by clarifying the meaning of relevant concepts (digitization vs digitalization; Machine learning, Artificial Intelligence), presents three leading models of digital transformation, and explains how digitalization has far-reaching implications for how organizations need to be structured. Then the book discusses the skills of a data scientist, and how digital transformation leads to new concerns surrounding ethics. Other themes include data quality, data pre-processing, data visualization, as well as the distinction between prediction and causal inference. Many of these themes are illustrated using R examples, that familiarize the reader with data analysis, using these hands-on experiences to uniquely illustrate some important themes surrounding statistical analysis, and to let readers see for themselves how some popular statistical and data science techniques actually work.

Big Data, Digitalization, and Strategy; with applications in R

Data Science MBA

Dieses Buch bietet einen praxisnahen Einblick für Führungskräfte, Entscheider und Data-Science-Interessierte, die das Potenzial von Daten im Unternehmen voll ausschöpfen wollen. Es zeigt, wie Data Science nicht nur operative Prozesse optimiert, sondern auch strategisch zum langfristigen Geschäftserfolg beiträgt und neue Chancen erschließt. Basierend auf dem Podcast „Data Science mit Milch und Zucker“ behandelt das Buch zentrale Themen wie Datenstrategie, Künstliche Intelligenz, MLOps, Data Mesh und Business Impact. Es liefert konkrete Handlungsempfehlungen und echte Einblicke aus der Praxis – von der erfolgreichen Integration von Data Science bis zur effektiven Skalierung datengetriebener Projekte. Leserinnen und Leser erhalten wertvolle Best Practices führender Unternehmen, die den Wandel aktiv gestalten und datengetriebene Entscheidungen als Wettbewerbsvorteil nutzen. Ergänzt wird dies durch inspirierende Denkanstöße und sofort umsetzbare Impulse für den unternehmerischen Alltag.Für wen ist dieses Buch? Für Manager:innen, Unternehmer:innen, Data-Science-Verantwortliche und Changemaker, die datenbasiert entscheiden und ihre Organisation zukunftsfähig aufstellen wollen.Die Herausgebenden Prof. Dr. René Brunner ist Professor für Data Science, mehrfach ausgezeichneter Wissenschaftler, gefragter Speaker und Gründer der Datamics GmbH. Er lehrt an renommierten Universitäten im deutschsprachigen Raum, aktuell an der Hochschule Macromedia, und hat über 50.000 Menschen in Data Science ausgebildet. Seine Leidenschaft gilt der Verbindung von wissenschaftlicher Tiefe und praktischer Anwendung im Unternehmenskontext. Durch seine langjährige Erfahrung in Lehre, Forschung und Beratung kennt er die Herausforderungen und Erfolgsfaktoren datengetriebener Transformation aus erster Hand.Glorinda Matrone ist Data Strategin, Unternehmensberaterin und erfahrene Führungskraft im Digitalbereich. Mit fundierter Expertise begleitet sie Organisationen auf ihrem Weg zur Data-Driven Company und baut Brücken zwischen Technologie, Business und Menschen.

Erkenntnisse aus dem Podcast Data Science mit Milch und Zucker

Wie Data Science Unternehmen transformiert

Big Data Management

This book demystifies the core principles and architectural design of spatiotemporal big data systems, offering incisive analysis of the unique attributes of spatiotemporal data and its broad applicability in real-world scenarios, aiming to impart a profound understanding of the intrinsic value of spatiotemporal big data and its far-reaching impact across various fields.In the core technology section, particular emphasis is placed on the pivotal role of GIS (Geographic Information Systems) technology in the processing of spatiotemporal big data, comprehensively covering the entire process from data collection, pre-processing, in-depth analysis to final visualization. Through carefully selected real-world cases and detailed technical explanations, readers will gain proficiency in leveraging GIS technology to uncover the latent value of spatiotemporal big data.The book also delves into the essential techniques and algorithms required for building efficient spatiotemporal big data systems, such as efficient data storage and management, intelligent data mining and analysis, alongside specific application cases under the smart city framework, including advanced practices in urban planning optimization, traffic management innovation, and environmental monitoring upgrades. Rich in content and blending theoretical depth with practical guidance, it serves as a valuable resource and reference guide for both academic experts and practitioners in the field, as well as a quality read for those intrigued by spatiotemporal big data systems.The translation was done with the help of artificial intelligence. A subsequent human revision was done primarily in terms of content.

Concepts, Principles and Applications

Spatiotemporal Big Data Systems

Certification Study Companion Series

As organizations increasingly leverage Microsoft Fabric to unify their data engineering, analytics, and governance strategies, the role of the Fabric Analytics Engineer has become more crucial than ever. This book equips readers with the knowledge and hands-on skills required to excel in this domain and pass the DP-600 certification exam confidently.This book covers the entire certification syllabus with clarity and depth, beginning with an overview of Microsoft Fabric. You will gain an understanding of the platform’s architecture and how it integrates with data and AI workloads to provide a unified analytics solution. You will then delve into implementing a data warehouse in Microsoft Fabric, exploring techniques to ingest, transform, and store data efficiently. Next, you will learn how to work with semantic models in Microsoft Fabric, enabling them to create intuitive, meaningful data representations for visualization and reporting. Then, you will focus on administration and governance in Microsoft Fabric, emphasizing best practices for security, compliance, and efficient management of analytics solutions. Lastly, you will find detailed practice tests and exam strategies along with supplementary materials to reinforce key concepts.After reading the book, you will have the background and capability to learn the skills and concepts necessary both to pass the DP-600 exam and become a confident Fabric Analytics Engineer.What You Will Learn<ul><li>A complete understanding of all DP-600 certification exam objectives and requirements</li><li>Key concepts and terminology related to Microsoft Fabric Analytics</li><li>Step-by-step preparation for successfully passing the DP-600 certification exam</li><li>Insights into exam structure, question patterns, and strategies for tackling challenging sections</li><li>Confidence in demonstrating skills validated by the Microsoft Certified: Fabric Analytics Engineer Associate credential</li></ul>

As organizations increasingly leverage Microsoft Fabric to unify their data engineering, analytics, and governance strategies, the role of the Fabric Analytics Engineer has become more crucial than ever. This book equips readers with the knowledge and hands-on skills required to excel in this domain and pass the DP-600 certification exam confidently.This book covers the entire certification syllabus with clarity and depth, beginning with an overview of Microsoft Fabric. You will gain an understanding of the platform’s architecture and how it integrates with data and AI workloads to provide a unified analytics solution. You will then delve into implementing a data warehouse in Microsoft Fabric, exploring techniques to ingest, transform, and store data efficiently. Next, you will learn how to work with semantic models in Microsoft Fabric, enabling them to create intuitive, meaningful data representations for visualization and reporting. Then, you will focus on administration and governance in Microsoft Fabric, emphasizing best practices for security, compliance, and efficient management of analytics solutions. Lastly, you will find detailed practice tests and exam strategies along with supplementary materials to reinforce key concepts.After reading the book, you will have the background and capability to learn the skills and concepts necessary both to pass the DP-600 exam and become a confident Fabric Analytics Engineer.What You Will Learn<ul><li>A complete understanding of all DP-600 certification exam objectives and requirements</li><li>Key concepts and terminology related to Microsoft Fabric Analytics</li><li>Step-by-step preparation for successfully passing the DP-600 certification exam</li><li>Insights into exam structure, question patterns, and strategies for tackling challenging sections</li><li>Confidence in demonstrating skills validated by the Microsoft Certified: Fabric Analytics Engineer Associate credential</li></ul>Who This Book Is ForData engineers, analysts, and professionals with some experience in data engineering or analytics, seeking to expand their knowledge of Microsoft Fabric

Preparation for DP-600 Microsoft Certification

Microsoft Fabric Analytics Engineer Associate Certification Companion

Algebra, Geometrie, Differentialrechnung, Integralrechnung, Vektorrechnung, Komplexe Rechnung

Mathematik für Fachschule Technik und Berufskolleg

Math for Data Science

Weitere Titel zum Thema