國立虎尾科技大學 |

Prognose von Wohnungseinbrüchen mit Hilfe von Machine-Learning-Algorithmen

紀錄類型:	書目-語言資料,印刷品 : Monograph/item
正題名/作者:	Prognose von Wohnungseinbrüchen mit Hilfe von Machine-Learning-Algorithmen/ von Daniel Haake.
作者:	Haake, Daniel.
面頁冊數:	XVI, 90 S. 20 Abb., 12 Abb. in Farbe.online resource. :
Contained By:	Springer Nature eBook
標題:	IT in Business. -
電子資源:	https://doi.org/10.1007/978-3-658-37660-4
ISBN:	9783658376604

Prognose von Wohnungseinbrüchen mit Hilfe von Machine-Learning-Algorithmen
Haake, Daniel.

Prognose von Wohnungseinbrüchen mit Hilfe von Machine-Learning-Algorithmen[electronic resource] /von Daniel Haake. - 1st ed. 2022. - XVI, 90 S. 20 Abb., 12 Abb. in Farbe.online resource. - BestMasters,2625-3615. - BestMasters,.

Einleitung -- Kriminologische Theorien und Studien -- Theoretische Grundlagen des Maschinellen Lernens -- Datenvorverarbeitung -- Datenanalyse -- Zusammenfassung.

Das Buch beschäftigt sich mit der Möglichkeit der Prognose von Wohnungseinbrüchen mit Hilfe von Machine-Learning-Verfahren. Die Analyse beschränkt sich auf die Fragestellung, ob nach einem erfolgten Wohnungseinbruch mit einer Nachfolgetat, den sog. Near-Repeats, zu rechnen ist. Dabei wird untersucht, welche Faktoren zu guten Prognoseergebnissen beitragen. Zur Verfügung stehen Daten zu Wohnungseinbrüchen aus Baden-Württemberg aus den Jahren 2010 bis 2017. Ergänzt werden die polizeilichen Daten um geografische Daten, die den Tatort beschreiben. Hiermit wird geprüft, ob kriminalgeografische Faktoren gute Indikatoren zur Prognose von Wohnungseinbrüchen, genauer gesagt Near-Repeats, darstellen. Als Machine-Learning-Verfahren kommen die Verfahren Random Forest, XGBoost, Support Vector Machines, Neuronale Netze und ein Soft-Voting der Modelle zum Einsatz. Mit Hilfe dieser Verfahren kann eine Präzision der Prognosen von über 60% erreicht werden. Es wird außerdem erstmalig gezeigt, dass auch Prognosen für den ländlichen Raum möglich sind. Der Autor Daniel Haake arbeitete zunächst im gehobenen Polizeidienst und studierte zusätzlich Informatik (B. Sc.) und anschließend berufsbegleitend Data Science (M. Sc.). Zurzeit ist er als Senior Data Scientist tätig. Für seine Masterarbeit wurde er mit dem Gerhard-Fürst-Preis 2020 des Statistischen Bundesamtes und beim Zukunftspreis Polizeiarbeit 2020 (2. Platz in der Kategorie Masterarbeiten) ausgezeichnet.

ISBN: 9783658376604

Standard No.: 10.1007/978-3-658-37660-4doiSubjects--Topical Terms:

1064965
IT in Business.

LC Class. No.: HF54.5-54.56

Dewey Class. No.: 658.05

Prognose von Wohnungseinbrüchen mit Hilfe von Machine-Learning-Algorithmen
LDR:02945nam a22003855i 4500 001 1086729
003 DE-He213
005 20220527102236.0
007 cr nn 008mamaa
008 221228s2022 gw | s |||| 0|ger d
020 $a 9783658376604 $9 978-3-658-37660-4
024 7 $a 10.1007/978-3-658-37660-4 $2 doi
035 $a 978-3-658-37660-4
050 4 $a HF54.5-54.56
072 7 $a KJQ $2 bicssc
072 7 $a UF $2 bicssc
072 7 $a BUS083000 $2 bisacsh
072 7 $a KJQ $2 thema
072 7 $a UF $2 thema
082 0 4 $a 658.05 $2 23
100 1 $a Haake, Daniel. $e author. $4 aut $4 http://id.loc.gov/vocabulary/relators/aut $3 1393576
245 1 0 $a Prognose von Wohnungseinbrüchen mit Hilfe von Machine-Learning-Algorithmen $h [electronic resource] / $c von Daniel Haake.
250 $a 1st ed. 2022.
264 1 $a Wiesbaden : $b Springer Fachmedien Wiesbaden : $b Imprint: Springer Gabler, $c 2022.
300 $a XVI, 90 S. 20 Abb., 12 Abb. in Farbe. $b online resource.
336 $a text $b txt $2 rdacontent
337 $a computer $b c $2 rdamedia
338 $a online resource $b cr $2 rdacarrier
347 $a text file $b PDF $2 rda
490 1 $a BestMasters, $x 2625-3615
505 0 $a Einleitung -- Kriminologische Theorien und Studien -- Theoretische Grundlagen des Maschinellen Lernens -- Datenvorverarbeitung -- Datenanalyse -- Zusammenfassung.
520 $a Das Buch beschäftigt sich mit der Möglichkeit der Prognose von Wohnungseinbrüchen mit Hilfe von Machine-Learning-Verfahren. Die Analyse beschränkt sich auf die Fragestellung, ob nach einem erfolgten Wohnungseinbruch mit einer Nachfolgetat, den sog. Near-Repeats, zu rechnen ist. Dabei wird untersucht, welche Faktoren zu guten Prognoseergebnissen beitragen. Zur Verfügung stehen Daten zu Wohnungseinbrüchen aus Baden-Württemberg aus den Jahren 2010 bis 2017. Ergänzt werden die polizeilichen Daten um geografische Daten, die den Tatort beschreiben. Hiermit wird geprüft, ob kriminalgeografische Faktoren gute Indikatoren zur Prognose von Wohnungseinbrüchen, genauer gesagt Near-Repeats, darstellen. Als Machine-Learning-Verfahren kommen die Verfahren Random Forest, XGBoost, Support Vector Machines, Neuronale Netze und ein Soft-Voting der Modelle zum Einsatz. Mit Hilfe dieser Verfahren kann eine Präzision der Prognosen von über 60% erreicht werden. Es wird außerdem erstmalig gezeigt, dass auch Prognosen für den ländlichen Raum möglich sind. Der Autor Daniel Haake arbeitete zunächst im gehobenen Polizeidienst und studierte zusätzlich Informatik (B. Sc.) und anschließend berufsbegleitend Data Science (M. Sc.). Zurzeit ist er als Senior Data Scientist tätig. Für seine Masterarbeit wurde er mit dem Gerhard-Fürst-Preis 2020 des Statistischen Bundesamtes und beim Zukunftspreis Polizeiarbeit 2020 (2. Platz in der Kategorie Masterarbeiten) ausgezeichnet.
650 1 4 $a IT in Business. $3 1064965
650 0 $a Business information services. $3 654161
710 2 $a SpringerLink (Online service) $3 593884
773 0 $t Springer Nature eBook
776 0 8 $i Printed edition: $z 9783658376598
830 0 $a BestMasters, $x 2625-3577 $3 1253531
856 4 0 $u https://doi.org/10.1007/978-3-658-37660-4
912 $a ZDB-2-SWI
950 $a Business and Economics (German Language) (SpringerNature-11775)