Carl Hanser Verlag · 2026 · ISBN 978-3-446-47640-0

Data Science
mit Big Data

783 Seiten. 18 Kapitel. Echter Code. Alles was du brauchst, um Daten in großem Maßstab zu verstehen, zu verarbeiten – und daraus echten Wert zu schaffen.

Zum Hanser Verlag Code auf GitHub
783Seiten
18Kapitel
4Autoren
100%Vollfarbe
Buchcover Data Science mit Big Data
In God we trust.
All others must bring data.
William Edwards Deming Statistiker & Qualitätsmanagement-Pionier (1900–1993)

Was dieses Buch besonders macht

Theorie trifft Praxis.

Kein abgehobenes Lehrbuch, kein oberflächlicher Überblick – sondern das Beste aus beiden Welten: fundiertes Konzeptwissen und Code, den du heute noch ausführen kannst.

Echter, lauffähiger Code
Python, Java, R – alles sofort ausführbar. GitHub-Repository und Google Colab Notebooks inklusive. Kein Pseudocode.
Der vollständige Stack
Spark, Kafka, Flink, Delta Lake, sieben NoSQL-Systeme, Kubernetes – nicht cherry-picked, sondern vollständig.
KI ist kein Anhang
LLMs, RAG, autonome Agenten, MCP. Das letzte Kapitel gehört der Zukunft – und zeigt, wohin die Reise geht.
Docker-First, nicht Docker-Afterthought
Alle Infrastruktur-Beispiele laufen sauber in Docker und Docker Compose. Reproduzierbar. Produktionsnah.
Lehrbuch und Nachschlagewerk
Egal ob du Einstieg suchst oder eine Architektur-Entscheidung absichern willst – dieses Buch hat beides.
783 Seiten in Vollfarbe
Komplett in Farbe – jede Grafik, jedes Diagramm, jeder Code-Block. E-Book beim Kauf inklusive.

18 Kapitel · Vom Fundament bis zur KI

Von null auf Big Data.

Kapitel 1–2 · Einführung
Gestatten, Data – Big Data
Was Big Data wirklich bedeutet – und warum verteilte Systeme alles verändern.
Kapitel 1–2 · Einführung
Gestatten, Data – Big Data
Was Big Data wirklich bedeutet – Google Trends, echte Use Cases und die fundamentalen Konzepte verteilter Systeme: CAP-Theorem, Konsistenzmodelle, Fehlertoleranz. Der Startschuss.
Google TrendsCAP-TheoremDistributed SystemsPython
Kapitel 3–6 · Daten
Daten, Formate & Management
Von Rohdaten zu strukturiertem Wissen: CSV, JSON, Parquet und Avro im direkten Vergleich. Big-Data-Management-Konzepte und Vorgehensmodelle für echte Projekte.
ParquetAvroPyArrowPandas
Kapitel 7–10 · Architektur
Warehouse, Lake, Lakehouse & Mesh
DuckDB, Delta Lake, Data Mesh Manager – alle vier Architektur-Paradigmen praxisnah erklärt. Mit klaren Entscheidungshilfen für Architekten.
DuckDBDelta LakeData MeshSternschema
Kapitel 11 · NoSQL
NoSQL – Sieben Welten
Redis, MongoDB, Neo4j, Cassandra, InfluxDB, Milvus, ArangoDB, OpenSearch – jede für ihren Zweck. Mit Entscheidungshilfen, die den Unterschied machen.
RedisMongoDBNeo4jCassandraMilvus
Kapitel 12–13 · Stream & Batch
Kafka, Spark & Flink
Apache Kafka für Streams, Spark und Flink für verteilte Berechnungen, Hadoop und Ignite für Batch. Vollständig mit Java- und Python-Code – kein Schönwetter-Tutorial.
Apache KafkaApache SparkApache FlinkHadoop
Kapitel 14 · Algorithmen
Skalierbare Algorithmen
Morris-Counter, HyperLogLog, Bloom-Filter, t-digest – Algorithmen in konstantem Speicher für Milliarden Datenpunkte. Das sind die Tricks, die große Systeme erst möglich machen.
HyperLogLogBloom Filtert-digestJava
Kapitel 15–16 · Analyse
Visualisierung & Architekturwissen
Matplotlib, Seaborn, ggplot2 für aussagekräftige Visualisierungen. Echtzeit-Monitoring. Und das konzeptuelle Fundament für skalierbare Big-Data-Systemarchitekturen.
Matplotlibggplot2SeabornR
Kapitel 17 · DevOps
Test & Betrieb mit Kubernetes
Testing-Strategien, Monitoring und Kubernetes mit minikube. Weil ein System, das man nicht betreiben kann, kein gutes System ist.
KubernetesDockerminikubeMonitoring
Kapitel 18 · Künstliche Intelligenz
LLMs, RAG, Agenten & MCP
Training, RAG, autonome Agenten, Model Context Protocol. Das letzte Kapitel ist das mutigste – und zeigt, was passiert, wenn Big Data auf moderne KI trifft.
LLMsRAGAI AgentsMCPFine-Tuning

Die Autoren

Vier Perspektiven.
Ein Buch.

Wissenschaft trifft Praxis. Vier Autorinnen und Autoren aus Forschung und Industrie – zusammen für ein Werk, das beides kann.

Oliver Hummel
Oliver Hummel
Professor für Software Engineering
Hochschule Mannheim
LinkedIn
Marcus Kessel
Marcus Kessel
Akademischer Rat · Software Engineering & Data Science
Universität Mannheim
LinkedIn
Beate Navarro Bullock
Beate Navarro
Professorin für Data Science & Datenbanksysteme
Technische Hochschule Ingolstadt
LinkedIn
Robert Butscher
Robert Butscher
Professor für Business Intelligence
THWS Würzburg-Schweinfurt
LinkedIn

Open Source

github.com/bigdatabuch
Der Code zum Buch –
offen für alle.
Alle Beispiele aus allen 18 Kapiteln. Lauffähig, kommentiert, kapitelweise sortiert. Python, Java, R. Mit Docker und Google Colab direkt ausführbar – kein Setup-Marathon.
main Python · Java · R Docker ready
Zum Repository

Das Buch für alle,
die es wirklich verstehen wollen.

18 Kapitel. 783 Seiten. Code, der läuft. Komplett in Farbe – weil gute Grafiken einen Unterschied machen.

Beim Hanser Verlag bestellen
ISBN 978-3-446-47640-0
Technologien im Buch
Apache Spark Apache Kafka Apache Flink Delta Lake DuckDB MongoDB Redis Neo4j Cassandra Milvus OpenSearch InfluxDB ArangoDB Kubernetes Docker Python 3.10+ Apache Hadoop LLMs & RAG AI Agents · MCP Java 11+ R / ggplot2 HyperLogLog Bloom Filter Apache Spark Apache Kafka Apache Flink Delta Lake DuckDB MongoDB Redis Neo4j Cassandra Milvus OpenSearch InfluxDB ArangoDB Kubernetes Docker Python 3.10+ Apache Hadoop LLMs & RAG AI Agents · MCP Java 11+ R / ggplot2 HyperLogLog Bloom Filter