Vom Excel-Nutzer zum Data Scientist

Python, Machine Learning & Production - Der vollständige Lernpfad
Erscheinungsjahr 2027
ISBN: 978-3-658-52487-6
Verlag: Springer

Buch, Deutsch, 930 Seiten, Format (B × H): 168 mm x 240 mm

Dieses Buch bietet einen praxisorientierten Leitfaden für den Übergang von klassischer Excel-Analyse zu professioneller Data Science mit Python und SQL. Anstatt trockener Theorie vermittelt es tiefgehendes Verständnis durch reale Business-Szenarien und die "Avatar-Methode", bei der echte Erfolge und spektakuläre Fehler als didaktische Anker dienen. Das Werk adressiert das Kernproblem vieler Analysten: die Grenzen manueller Workflows in puncto Reproduzierbarkeit, Skalierung und Fehleranfälligkeit. Die Hauptthemen erstrecken sich über den gesamten Data-Science-Lifecycle: von robustem Python-Code und fortgeschrittener SQL-Mastery über Data Warehousing und explorative Datenanalyse (EDA) bis hin zu Machine Learning, NLP und MLOps in der Cloud.

Leser lernen nicht nur, Modelle zu bauen, sondern diese auch durch Testing, Logging und Docker-Containerisierung produktionsreif zu gestalten. Die Relevanz liegt in der direkten Anwendbarkeit: Jedes Kapitel kombiniert erklärendes Storytelling mit ca. 40 % praxiserprobtem Code, der sofort in echten Projekten eingesetzt werden kann. Das Buch löst das Problem der "Notebook-Sackgasse", indem es zeigt, wie aus isolierten Analysen skalierbare, automatisierte Pipelines entstehen. Dieses Buch richtet sich an Business Analysts, Datenspezialisten und angehende Data Scientists, die den nächsten Karriereschritt gehen und ihre analytischen Fähigkeiten auf ein professionelles, engineering-nahes Niveau heben möchten.

Zielgruppe

Professional/practitioner

Autoren/Hrsg.

Mechler, Merlin

Fachgebiete

• Mathematik | Informatik EDV | Informatik Daten / Datenbanken
• Mathematik | Informatik EDV | Informatik Programmierung | Softwareentwicklung Programmier- und Skriptsprachen
• Mathematik | Informatik EDV | Informatik Informatik Künstliche Intelligenz Maschinelles Lernen

Inhaltsverzeichnis

Teil I: Python Foundation & Engineering

• Kapitel 1: Excel bis Python – Der professionelle Einstieg: Reproduktion von Excel-Workflows in Python und Ablösung von Power Query durch automatisierte ETL-Skripte.
• Kapitel 2: Python für Production – Testing, Logging & Deployment: Implementierung von robustem Code mittels Pytest, professionellem Logging und Containerisierung mit Docker.
• Kapitel 3: Git & Versionskontrolle: Professionelle Kollaboration im Team durch Branching-Strategien und Code Reviews via GitHub.

Teil II: Datenbanken & Infrastruktur

• Kapitel 4: SQL Mastery: Fortgeschrittene Analysen mit Window Functions, CTEs und Performance-Optimierung für große Datenmengen.
• Kapitel 5: Data Warehousing – Architektur: Design von Star Schemas nach Kimball und Implementierung von Slowly Changing Dimensions (SCD) für historische Konsistenz.
• Kapitel 6: NoSQL & moderne Datenbanken: Einsatz von MongoDB für flexible Dokumenten-Daten und Redis für hochperformantes Caching.

Teil III: Analyse & Visualisierung

• Kapitel 7: ETL & Data Pipelines: Bau robuster Verarbeitungspfade mit Fehlerbehandlung und Orchestrierung durch Apache Airflow.
• Kapitel 8: Exploratory Data Analysis (EDA): Systematische Prüfung der Datenqualität sowie Analyse von Verteilungen und Korrelationen mit Pandas und Seaborn.
• Kapitel 9: Statistische Grundlagen: Korrekte Interpretation deskriptiver Statistik und Durchführung von Hypothesentests für Business-Entscheidungen.
• Kapitel 10: Datenvisualisierung & Dashboards: Erstellung effektiver Charts und interaktiver Dashboards mit Plotly und Streamlit für Stakeholder.

Teil IV: Machine Learning & Deployment

• Kapitel 11-13: ML Fundamentals bis Evaluation: Von Regression und Klassifikation über Feature Engineering bis hin zum systematischen Hyperparameter-Tuning.
• Kapitel 14: Advanced ML & Production: Deployment von Modellen als REST APIs mit FastAPI und Überwachung von Model Drift.

Teil V: Spezialthemen

• Kapitel 15-17: Zeitreihen, Clustering & NLP: Forecasting mit Prophet, Kundensegmentierung mittels K-Means und Textanalyse unstrukturierter Daten.
• Kapitel 18-20: Recommender Systems bis Computer Vision: Aufbau von Empfehlungssystemen und Einführung in Deep Learning mit CNNs für Bildklassifikation.
• Kapitel 21-23: Cloud, Advanced Features & A/B-Testing: Skalierung in der AWS Cloud, MLOps-Workflows und kausale Inferenz durch A/B-Tests.

Über Autor(innen)

Merlin Mechler ist Data Strategist und spezialisiert auf AI-gestütztes Software Engineering. Als etablierter Fachbuchautor (u.a. der 'Digital Marketing Bibel' und der Evernote-Ratgeberreihe) verfügt er über langjährige Erfahrung darin, komplexe digitale Workflows für Fachanwender verständlich aufzubereiten. Seine Publikationen fokussieren sich stets auf die Schnittstelle zwischen technologischer Struktur und operativer Effizienz. Diese Expertise überträgt er nun auf Data Science, indem er mit der OSE-Methode Analysten befähigt, robuste Datenarchitekturen zu bauen.