Begleitendes Code-Repository zum Buch Vom Excel-Nutzer zum Data Scientist.
snippets/: Code-Blöcke nach Buchkapitel sortiert.catalog/snippets.csv: maschinenlesbarer Index mit Kapitel, Abschnitt, Absatzposition und Hash.catalog/snippets.json: gleicher Index als JSON.tools/extract_manuscript_code.py: reproduzierbare Extraktion aus der Manuskript-DOCX.
- Code-Blöcke insgesamt: 948
- Kapitel/Abschnitte mit Code: 26
| Typ | Anzahl |
|---|---|
| dockerfile | 3 |
| excel | 11 |
| json | 11 |
| markdown | 26 |
| output | 13 |
| python | 538 |
| requirements | 3 |
| shell | 80 |
| sql | 89 |
| text | 169 |
| vba | 1 |
| yaml | 4 |
| Kapitel | Code-Blöcke | Ordner |
|---|---|---|
| Vorwort | 6 | snippets/00_vorwort |
| KAPITEL 1: Excel bis Python — Der professionelle Einstieg | 45 | snippets/kapitel_01_excel-bis-python |
| KAPITEL 2: Python für produktiver Betrieb — Testing, Logging & Bereitstellung | 39 | snippets/kapitel_02_python-fuer-produktiver-betrieb |
| KAPITEL 3: Git & Versionskontrolle — Professionelles Arbeiten im Team | 71 | snippets/kapitel_03_git-versionskontrolle |
| KAPITEL 4: SQL-Vertiefung — Von Basics zu Advanced Analytics | 65 | snippets/kapitel_04_sql-vertiefung |
| KAPITEL 5: Data Warehousing — Star Schema, SCD & Analytics Architecture | 82 | snippets/kapitel_05_data-warehousing |
| KAPITEL 6: NoSQL & moderne Datenbanken — MongoDB, Redis & mehr | 44 | snippets/kapitel_06_nosql-moderne-datenbanken |
| KAPITEL 7: ETL & Data Pipelines — Robuste Datenverarbeitung at Scale | 13 | snippets/kapitel_07_etl-data-pipelines |
| Kapitel 8: Explorative Datenanalyse – Die Kunst, Daten zu verstehen | 74 | snippets/kapitel_08_explorative-datenanalyse |
| KAPITEL 9: Statistik — Von p-Values zu echten Entscheidungen | 32 | snippets/kapitel_09_statistik |
| KAPITEL 10: Visualisierung — Wenn Daten eine Geschichte erzählen müssen | 22 | snippets/kapitel_10_visualisierung |
| KAPITEL 11: Machine Learning — Vom 97%-Modell, das nichts wert war | 43 | snippets/kapitel_11_machine-learning |
| KAPITEL 12: Funktion Engineering — Wenn ein Funktion mehr wert ist als ein Algorithmus | 38 | snippets/kapitel_12_funktion-engineering |
| KAPITEL 13: Modellbewertung — Die vier Zahlen, die ein Modell erklären | 38 | snippets/kapitel_13_modellbewertung |
| KAPITEL 14: produktiver Betrieb ML — API, Monitoring und die Black-Friday-Nacht | 29 | snippets/kapitel_14_produktiver-betrieb-ml |
| KAPITEL 15: Zeitreihen — Wenn die Zukunft aus der Vergangenheit lernt | 55 | snippets/kapitel_15_zeitreihen |
| KAPITEL 16: Unsupervised Learning — Wenn Daten sich selbst erklären | 33 | snippets/kapitel_16_unsupervised-learning |
| KAPITEL 17: NLP — Wenn Computer Text verstehen lernen | 38 | snippets/kapitel_17_nlp |
| KAPITEL 18: Recommender Systems — Wenn das Modell “Ich kenne dich” sagt | 13 | snippets/kapitel_18_recommender-systems |
| KAPITEL 19: Deep Learning — Als die Mathematik plötzlich lebendig wurde | 40 | snippets/kapitel_19_deep-learning |
| KAPITEL 20: Computer Vision — Als Pixel zu Entscheidungen wurden | 10 | snippets/kapitel_20_computer-vision |
| KAPITEL 21: Cloud & MLOps — Als das Modell in der Wolke wohnen musste | 36 | snippets/kapitel_21_cloud-mlops |
| KAPITEL 22: Advanced Funktion Engineering — Der Weg zu Kaggle Gold | 15 | snippets/kapitel_22_advanced-funktion-engineering |
| KAPITEL 23: A/B Testing & Causal Inference — Wenn Experimente lügen | 22 | snippets/kapitel_23_a-b-testing-causal-inference |
| KAPITEL 24: Ethics & Bias in AI — Das Modell, das diskriminierte | 25 | snippets/kapitel_24_ethics-bias-in-ai |
| ANHANG: Ressourcen, Cheat Sheets & Roadmap | 20 | snippets/anhang_ressourcen-cheat-sheets-roadmap |
Die Dateien folgen der Reihenfolge im Buch. Einige Snippets sind bewusst didaktisch, partiell oder zeigen Terminal-Ausgaben, Fehlermeldungen und Excel-Formeln. Für lauffähige Beispiele müssen je nach Kapitel passende Daten, Packages oder Secrets ergänzt werden.
Regeneration:
python tools/extract_manuscript_code.py /pfad/zum/manuskript.docx --repo-root .