14.3Wie arbeiten Data Scientists und Programmierer zusammen?
14.4Architekturmuster, um maschinelle Lernmethoden produktiv zu nehmen
14.4.1Architekturmuster des maschinellen Lernens
14.4.2Architekturmuster, um Modelle auszuliefern
14.4.3Datenvorverarbeitung und Feature-Extraktion
14.4.4Automation und Monitoring
14.4.5Integrationsmuster für maschinelles Lernen
14.5Was kann man sonst auf Firmenebene tun, um Data Science zu unterstützen?
15.2.1Folgen mangelhafter Instandhaltung
15.2.2Wettbewerbsfähige Produktion
15.3.2Vorbeugende Instandhaltung
15.3.3Vorausschauende Instandhaltung (Predictive Maintenance)
15.4Prozessphasen der vorausschauenden Instandhaltung
15.4.1Datenerfassung und -übertragung
15.4.2Datenanalyse und Vorhersage
15.4.2.1Unüberwachte Verfahren
15.5.1Heidelberger Druckmaschinen
15.5.2Verschleißmessung bei einem Werkzeugmaschinenhersteller
15.5.3Vorausschauende Instandhaltung in der IT
16Scrum in Data-Science-Projekten
16.3Data-Science-Projekte in der Praxis
16.4Der Einsatz von Scrum in Data-Science-Projekten
17.1Geschäftsmodell eines Multipartnerprogramms
17.2Kundenbindung und Kundenbindungsinstrumente
17.3Funktionen und Services eines Multipartnerprogrammbetreibers
17.3.2Services und Vorteile aus Nutzer- und aus Partnerperspektive
17.4Konkrete Herausforderungen des betrachteten Multipartnerprogrammbetreibers
17.5.1Hintergrund und Zielsetzung
17.5.2Ausgangspunkt Datenbasis