Kontakt aufnehmen

Schulungsübersicht

Einführung und Auswahl teamindividueller Anwendungsfälle

  • Überblick über KI in industriellen Umgebungen
  • Kategorien von Anwendungsfällen: Qualität, Wartung, Energie, Logistik
  • Teambildung und Definition der Projektziele

Verständnis und Aufbereitung industrieller Daten

  • Arten industrieller Daten: Zeitreihen, tabellarische Daten, Bilder, Text
  • Datenerfassung, Bereinigung und Vorverarbeitung
  • Explorative Datenanalyse mit Pandas und Matplotlib

Modellauswahl und Prototyping

  • Wahl zwischen Regression, Klassifizierung, Clustering oder Anomalieerkennung
  • Training und Evaluation von Modellen mit Scikit-learn
  • Nutzung von TensorFlow oder PyTorch für fortgeschrittenes Modellieren

Visualisierung und Interpretation der Ergebnisse

  • Erstellung intuitiver Dashboards oder Berichte
  • Interpretation von Leistungskennzahlen (Genauigkeit, Präzision, Recall)
  • Dokumentation von Annahmen und Einschränkungen

Deployment-Simulation und Feedback

  • Simulation von Edge-/Cloud-Deployment-Szenarien
  • Sammlung von Feedback und Verbesserung der Modelle
  • Strategien zur Integration in den operativen Betrieb

Entwicklung des Abschlussprojekts

  • Finalisierung und Testen der Teamprototypen
  • Peer-Review und gemeinsames Debugging
  • Vorbereitung der Projektpräsentation und technischen Zusammenfassung

Teampräsentationen und Abschluss

  • Präsentation von KI-Lösungskonzepten und -ergebnissen
  • Gruppenreflexion und gewonnene Erkenntnisse
  • Roadmap zur Skalierung von Anwendungsfällen innerhalb der Organisation

Zusammenfassung und nächste Schritte

Voraussetzungen

  • Verständnis von Fertigungs- oder industriellen Prozessen
  • Erfahrung mit Python und grundlegendem maschinellem Lernen
  • Fähigkeit zur Arbeit mit strukturierten und unstrukturierten Daten

Zielgruppe

  • Crossfunktionale Teams
  • Ingenieure
  • Data Scientists
  • IT-Fachkräfte
 21 Stunden

Teilnehmerzahl


Preis je Teilnehmer (exkl. USt)

Kommende Kurse

Verwandte Kategorien