Schulungsübersicht
Einführung in Maschinelles Lernen im Geschäftskontext
- Maschinelles Lernen als Kernbestandteil der Künstlichen Intelligenz
- Arten des maschinellen Lernens: überwachtes, unüberwachtes, verstärkendes, halbüberwachtes Lernen
- Im Geschäftskontext häufig verwendete ML-Algorithmen
- Herausforderungen, Risiken und potenzielle Einsatzmöglichkeiten von ML in der KI
- Überanpassung (Overfitting) und das Bias-Varianz-Dilemma
Maschinelle Lernverfahren und Arbeitsabläufe
- Der Lebenszyklus des maschinellen Lernens: vom Problem zur Implementierung
- Klassifizierung, Regression, Clustering, Anomalieerkennung
- Wann ist überwachtes versus unüberwachtes Lernen einzusetzen?
- Verständnis von verstärkendem Lernen in der Geschäftsautomatisierung
- Aspekte der ML-gestützten Entscheidungsfindung
Datenvorverarbeitung und Feature-Engineering
- Datenvorbereitung: Laden, Bereinigen, Transformieren
- Feature-Engineering: Codierung, Transformation, Erstellung
- Skalierung der Features: Normalisierung, Standardisierung
- Dimensionsreduktion: PCA, Variablenauswahl
- Explorative Datenanalyse und Visualisierung geschäftlicher Daten
Neuronale Netze und Deep Learning
- Einführung in neuronale Netze und deren Einsatz im Geschäftskontext
- Aufbau: Eingangs-, verborgene und Ausgangsschichten
- Backpropagation und Aktivierungsfunktionen
- Neuronale Netze für Klassifizierung und Regression
- Einsatz neuronaler Netze in der Prognose und Mustererkennung
Umsatzprognosen und prädiktive Analysen
- Zeitreihen versus regressionsbasierte Prognosen
- Zerlegung von Zeitreihen: Trend, Saisonalität, Zyklen
- Techniken: Lineare Regression, exponentielle Glättung, ARIMA
- Neuronale Netze für nichtlineare Prognosen
- Fallstudie: Prognose des monatlichen Umsatzvolumens
Fallstudien in Geschäftsanwendungen
- Fortgeschrittenes Feature-Engineering zur Verbesserung der Vorhersage mit linearer Regression
- Segmentierungsanalyse mittels Clustering und selbstorganisierender Karten (SOM)
- Warenkorbanalyse und Assoziationsregel-Mining für Retail-Einblicke
- Klassifikation von Kunden-Standardzahlungen mittels logistischer Regression, Entscheidungsbäumen, XGBoost, SVM
Zusammenfassung und nächste Schritte
Voraussetzungen
- Grundlegendes Verständnis der Prinzipien des maschinellen Lernens und deren Anwendungen
- Vertrautheit mit der Arbeit in Tabellenkalkulationsumgebungen oder Data-Analytics-Tools
- Erste Erfahrungen mit Python oder einer anderen Programmiersprache sind hilfreich, aber nicht zwingend erforderlich
- Interesse an der Anwendung des maschinellen Lernens auf reale geschäftliche und Prognoseprobleme
Zielgruppe
- Business Analysten
- KI-Fachleute
- datengestützte Entscheider und Führungskräfte
Erfahrungsberichte (2)
Erfahrungsaufbau im Bereich der Prompt-Wiederholung für Personen, die zuvor keine KI genutzt haben, sowie die Einführung alternativer Methoden der KI-Nutzung für bestehende Anwender.
Matthew Gay - Tarsus Pharmaceuticals
Kurs - Artificial Intelligence (AI) Overview
Maschinelle Übersetzung
Nach grundlegenden Prinzipien arbeiten und sich innerhalb desselben Tages auf die Anwendung von Fallstudien konzentrieren
Maggie Webb - Department of Jobs, Regions, and Precincts
Kurs - Artificial Neural Networks, Machine Learning, Deep Thinking
Maschinelle Übersetzung
