Articles liés à Prognose von Wohnungseinbrüchen mit Hilfe von Machine-Learni...

Prognose von Wohnungseinbrüchen mit Hilfe von Machine-Learning-Algorithmen - Couverture souple

Haake, Daniel

 
9783658376598: Prognose von Wohnungseinbrüchen mit Hilfe von Machine-Learning-Algorithmen
Couverture souple
ISBN 10 : 3658376597 ISBN 13 : 9783658376598
Editeur : Springer Gabler, 2022

Synopsis

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.



Les informations fournies dans la section « Synopsis » peuvent faire référence à une autre édition de ce titre.

À propos de l'auteur

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.

À propos de la quatrième de couverture

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.

Les informations fournies dans la section « A propos du livre » peuvent faire référence à une autre édition de ce titre.

Éditeur
Springer Gabler
Date d'édition
2022
Langue
allemand
ISBN 10 
3658376597
ISBN 13 
9783658376598
Reliure
Broché
Numéro d'édition
1
Nombre de pages
90
Coordonnées du fabricant
Springer Nature Customer Service Center GmbH
ProductSafety@springernature.com

Europaplatz 3
Heidelberg
69115
Allemagne