Best Data Science Books: Top 5 Essential Reads for 2022 – #datamustread
For some time now, I have been using the hashtag #datamustread on LinkedIn and Twitter to regularly recommend books that are essential for a data journey. At the end of this year, I would like to put together some absolute highlights that I consider to be absolute #datamustread books:
True or False: A CIA Analyst’s Guide to Spotting Fake News
True or False by Cindy L. Otis covers the entire spectrum of misinformation and disinformation, why we fall for it, and what we can do about it. Even though some concepts are familiar to me, I still learned quite a lot. The book contains a wealth of unexpected examples, current and from history, and is more relevant than ever in today’s world.
Info We Trust by RJ Andrews is an inspiring journey of data storytelling, but it’s also written in an extremely entertaining way, making this #datamustread the perfect companion for relaxing days. RJ’s enjoyable writing style, by the way, has been a guiding light for my own books.
Machine Learning kompakt und Blick in das Kapitel „Neuronale Netze und Deep Learning“
Nachdem ich bereits Erfahrung als Buchautor (hier und hier) gesammelt habe, hatte ich kürzlich die Gelegenheit als Technical Reviewer ein sehr spannendes Buchprojekt zu unterstützen. Das Buch Machine Learning kompakt: Alles, was Sie wissen müssen, geschrieben von Andriy Burkov, fand ich dabei dermaßen interessant, dass ich es gerne im Folgenden kurz vorstellen werde:
Machine Learning kompakt von Andriy Burkov ist ein hervorragend geschriebenes Buch und ein Muss für jeden, der sich für Machine Learning interessiert.
Andriy Burkov gelang ein ausgewogenes Verhältnis zwischen der Mathematik, intuitiven Darstellungen und verständlichen Erklärungen zu finden. Dieses Buch wird Neulingen auf dem Gebiet als gründliche Einführung zu Machine Learning zugutekommen. Darüber hinaus dient das Buch Entwicklern als perfekte Ergänzung zu Code-intensiver Literatur, da hier die zugrunde liegenden Konzepte beleuchtet werden.
Microsoft Azure Machine Learning Studio
Machine Learning kompakt eignet sich außerdem als Lehrbuch für einen allgemeinen Kurs zu Machine Learning. Ich wünschte, ein solches Buch gäbe es, als ich studiert habe!
Protip: viele der im Buch vorgestellten Machine-Learning-Algorithmen können Sie einfach und bequem in Microsoft Azure Machine Learning Studio selbst ausprobieren: https://aka.ms/mlst
From ideas to dashboards: The essential books for mastering your Data Journey, featuring ‚Info We Trust‘, ‚Visual Analytics with Tableau‘, and ‚The Big Book of Dashboards‘.
Today, data is at the core of everything we do, but the journey to mastering it can be overwhelming. Last year I started lecturing a Data Analytics course at university (as part of an MBA program). In the meanwhile, I was refining the list of books that I highly recommend to read. Three of these books form the Data Journey!
The Data Journey: A Human-Focused Approach to Data Storytelling
The Data Journey is not just about numbers; it’s about understanding the evolution of data, the power of visualization, and how it all connects to real-world business. Here are the books that will guide you on this path:
1. Info We Trust: How to Inspire the World with Data
Begin your Data Journey with a deep dive into data storytelling. Info We Trust explores data lifecycle across disciplines, with inspiring references and hand-drawn illustrations. It’s a must-read for anyone serious about data communication.
This book examines all parts of the data storytelling lifecycle across disciplines. The use of marginalia and hand-drawn illustrations give you both simple lessons to take away and insights into where to find out more. The book is full of magnificent references that inspire further reading.
2. Visual Analytics with Tableau
Ready for hands-on experience? My book, Visual Analytics with Tableau, provides a step-by-step guide to mastering Tableau, from basic chart creation to advanced statistical modeling. With Tableau available for free to students, there’s no reason not to dive in!
Visual Analytics with Tableau covers everything you need to get started with Tableau (students get Tableau for free!). The book guides you from the first steps of connecting to data, creating different types of charts, and adding calculation fields to more advanced features such as table calculations, forecasts, and clusters, as well as R, Python, and MATLAB integration for sophisticated statistical modeling.
3. The Big Book of Dashboards: Visualizing Your Data Using Real-World Business Scenarios
Back to business (as this course is designed for an MBA program). We close our Data Journey canon with The Big Book of Dashboards. This is a comprehensive reference book with real-world solutions for business dashboards and a detailed analysis of do’s and don’ts.
This comprehensive reference book offers real-world solutions for business dashboards. It’s a practical guide to understanding do’s and don’ts in data visualization, categorized by industry and functional business areas.
Need More Inspiration for Mastering Data Journey? #MakeoverMonday: Improving How We Visualize and Analyze Data, One Chart at a Time
Because vizzing alone is only half the fun, you should not miss the #MakeoverMonday book. Eva Murray and Andy Kriebel are icons in the data visualization community (read the interview!) and they have curated the thousands of visualizations from the #MakeoverMonday project into a practical guide that will take your design and data communication skills to the next level!
The #MakeoverMonday book by Eva Murray and Andy Kriebel is a treasure trove of data visualization insights. It’s a practical guide to enhancing your design and communication skills.
Join the Conversation: Your Recommendations for the #DataJourney
Interested in more insights on data visualization, analytics, and Tableau? Follow me on Twitter and LinkedIn, and let’s continue learning together. And don’t forget to check out my book Visual Analytics with Tableau to take your data journey to the next level!
What other books have inspired you on your data journey? Share your favorite data books in the blog post comments or reply to this tweet:
China AI: The impressive Alibaba Campus in Hangzhou, a hub of innovation and intrapreneurship.
China’s AI revolution is taking the world by storm. In this journey across cities like Hangzhou, discover how China is leading the AI industry, inspiring innovation, and shaping the future.
Currently, I’m on a 4-week China trip, visiting many cities. In Hangzhou, I met CEIBS peers who work for Alibaba. While the Alibaba campus is quite impressive, I got even more impressed by Alibaba’s leadership culture, which is encouraging its employees to innovate as intrapreneurs.
Intrapreneurship at Alibaba: The China AI Model for Success
At the impressive Alibaba Campus in Hangzhou, I discovered the power of intrapreneurship. If you start your own project (a new mobile app, a patent, a scientific paper, etc.), you’re doing it at your own pace. Employees are encouraged to innovate at their own pace, without being micro-managed. Success is rewarded with bonuses. Truly, this is where we can learn from China in the „China AI“ landscape!
China’s AI Ambitions: Leading the New World Order
Yue and me, Hangzhou West Lake
While traveling in China I was reading AI Superpowers: China Silicon Valley, and the New World Order by Kai-Fu Lee, a book that is a must-read to get an idea of where China’s AI ambitions are heading to. What matters most for AI innovation these days, the author argues, is access to vast quantities of data—where China’s advantage is overwhelming.
Visualizing the Journey: Exploring my Tableau Public Viz
Which other cities in China did I visit? Check out my Tableau Public viz:
A visualization of my 2019 China Visit, exploring the cities and experiences.
Interested in Visual Analytics? Grab a copy of my latest book, Visual Analytics with Tableau (Amazon), for a comprehensive guide to mastering data visualization.
Stay Connected and Explore More on China AI
China’s AI is reshaping the global landscape. From Alibaba to the nation’s strategies, China AI inspires and challenges the world. It’s a blend of technology, culture, and energy driving China’s AI revolution.
The experiences and insights from this trip have been truly enlightening. I invite you to join me as I continue to explore the fascinating world of China AI, digital transformation, and visual analytics. Follow me on Twitter and LinkedIn, and let’s continue learning together.
Predictive Maintenance Beispiele: PdM Dashboard auf Tableau Mobile und IoT Realtime Feed auf Tableau Desktop
Einführung: Warum ist Predictive Maintenance wichtig?
Instandhaltungskosten tragen wesentlich zu den Produktionskosten bei, wobei sie je nach Branche auf 15 bis 60 Prozent der Gesamtkosten geschätzt werden. Predictive Maintenance (PdM), die vorausschauende Instandhaltung, hat das Potenzial, diese Kosten deutlich zu senken.
Predictive Maintenance zielt darauf ab, den Ausfall einer Maschine vorherzusagen und somit die Wartung zu optimieren. Die Wartungsarbeiten erfolgen nur dann, wenn ein Ausfall voraussichtlich eintreten wird. Doch wie lässt sich diese Vorhersage treffen?
Jene Vorhersagen, die häufig im Kontext mit Industrie 4.0 gesehen werden, lassen sich auf Grundlage folgender Fakten treffen:
Aktuelle Sensordaten: Wie verhält sich die Maschine gegenwärtig?
Historische Sensordaten: Wie hat sich die Maschine in der Vergangenheit verhalten?
Benachbarte Sensordaten: Wie haben sich andere, ähnliche Maschinen verhalten?
Instandhaltungsprotokoll: Wann wurde die Maschine zuletzt gewartet oder getauscht?
Instandhaltungsempfehlung: Welche Wartungsintervalle empfiehlt der Hersteller?
Methoden zur Interpretation von IoT-Daten
Solche Daten aus dem Internet der Dinge (IoT) lassen sich nun nicht ohne weiteres sinnvoll auf einem Dashboard darstellen. Ein Blick auf die bloßen Daten lässt hier kaum Schlüsse zu. So ist es für erfolgreiches Predictive Maintenance essentiell, dass statistische Methoden wie diese angewandt werden:
1. Mustererkennung: Durch das Identifizieren von Mustern zwischen bestimmten Ereignissen und Maschinenausfällen können wir voraussagen, wann und warum eine Maschine ausfallen könnte. Zum Beispiel könnte eine Maschine, die bei der Verarbeitung eines bestimmten Materials besonders belastet wird, eher ausfallen.
2. Trendmodell: Ein Trendmodell gibt den zeitlichen Verlauf der Maschinenperformance bis zu einem Ausfall wieder. Dies kann durch verschiedene Regressionsansätze modelliert und in drei Komponenten unterteilt werden: Trend, Saison und Rauschen.
3. Ereigniszeitanalyse: Die Analyse historischer Daten zu Ausfällen liefert ein weiteres Modell, das gegen aktuelle Messdaten gelegt werden kann, um damit die Dauer bis zum nächsten Ausfall bestimmen zu können.
4. Kritische Schwellwerte: Eine Überprüfung, ob bestimmte Schwellenwerte überschritten wurden, kann ebenfalls Hinweise auf einen bevorstehenden Ausfall geben. Diese Schwellenwerte können initial von Experten festgelegt und später durch maschinelles Lernen angepasst werden.
Diese Methoden lassen sich zum Beispiel in Python und R implementieren. Die Resultate zeigen konkrete Handlungsempfehlungen und eignen sich somit ausgezeichnet für Dashboards, die auch auf Tablets oder Smartphones gut zur Geltung kommen und fortlaufend aktualisiert werden.
Was sind Ihre Gedanken zu Predictive Maintenance? Welche Daten und Methoden nutzen Sie für Ihre Instandhaltungsstrategie? Ich freue mich auf Kommentare und Anregungen. Teilen Sie uns Ihre Erfahrungen und Vorschläge in den Kommentaren mit:
We use cookies to optimize our website and our service.
Functional
Immer aktiv
The technical storage or access is strictly necessary for the legitimate purpose of enabling the use of a specific service explicitly requested by the subscriber or user, or for the sole purpose of carrying out the transmission of a communication over an electronic communications network.
Preferences
The technical storage or access is necessary for the legitimate purpose of storing preferences that are not requested by the subscriber or user.
Statistics
The technical storage or access that is used exclusively for statistical purposes.The technical storage or access that is used exclusively for anonymous statistical purposes. Without a subpoena, voluntary compliance on the part of your Internet Service Provider, or additional records from a third party, information stored or retrieved for this purpose alone cannot usually be used to identify you.
Marketing
The technical storage or access is required to create user profiles to send advertising, or to track the user on a website or across several websites for similar marketing purposes.
