Schulungsübersicht
Einführung in das maschinelle Lernen im Geschäftsbereich
- Maschinelles Lernen als zentrales Element der Künstlichen Intelligenz
- Arten des maschinellen Lernens: überwachtes, unbeaufsichtigtes, verstärkendes und halbüberwachtes Lernen
- Häufig verwendete ML-Algorithmen in Geschäftsanwendungen
- Herausforderungen, Risiken und potenzielle Anwendungsfelder von ML in der KI
- Überanpassung und das Bias-Varianz-Dilemma
Maschinelles Lernen: Techniken und Arbeitsabläufe
- Das Lebenzyklus des maschinellen Lernens: vom Problem zur Implementierung
- Klassifizierung, Regression, Clustering, Anomalieerkennung
- Überwachtes vs. unbeaufsichtigtes Lernen – wann welches anzuwenden ist
- Verständnis des verstärkenden Lernens im Geschäftsautomatisierungszusammenhang
- Überlegungen beim maschinelles-Lernaufgaben getriebenen Entscheidungsfindung
Daten vorverarbeitung und Features Engineering
- Datenvorbereitung: Laden, Bereinigen, Transformieren
- Features Engineering: Kodierung, Transformation, Erstellung
- Skalierung von Merkmalen: Normalisierung und Standardisierung
- Reduktion der Dimensionalität: PCA, Variablenauswahl
- Explorative Datenanalyse und Geschäftsdatenvisualisierung
Neuronale Netzwerke und Tiefes Lernen
- Einführung in neuronale Netzwerke und ihre Nutzung im Geschäftsbereich
- Struktur: Eingabeschicht, versteckte Schichten und Ausgabeschicht
- Rückwärtsverbreitung und Aktivierungsfunktionen
- Neuronale Netzwerke für Klassifizierung und Regression
- Nutzung neuronaler Netzwerke zur Vorhersage und Mustenerkennung
Prognose von Verkaufszahlen und prädiktive Analytics
- Zeitreihen vs. regressionsbasierende Prognosen
- Zerlegung von Zeitreihen: Trends, Saisonalität, Zyklus
- Techniken: Lineare Regression, exponentielles Glätten, ARIMA
- Neuronale Netzwerke zur nichtlinearen Prognose
- Fallstudie: Vorhersage des monatlichen Verkaufsquantums
Anwendungsbezogene Fallstudien
- Fortgeschrittene Features Engineering zur Verbesserung der Vorhersagegenauigkeit mit linearer Regression
- Segmentierungsanalyse durch Clustering und selbstorganisierende Karten
- Warenkorbanalyse und Assoziationsregel-Mining für Einblicke in den Einzelhandel
- Kundenstandardkategorisierung mit logistischer Regression, Entscheidungsbäumen, XGBoost und SVM
Zusammenfassung und Weitere Schritte
Voraussetzungen
- Grundlegendes Verständnis der Prinzipien des maschinellen Lernens und deren Anwendungen
- Erfahrung im Arbeiten mit Tabellenkalkulationsumgebungen oder Datenanalysewerkzeugen
- Einige Kenntnisse von Python oder einer anderen Programmiersprache sind hilfreich, aber nicht zwingend erforderlich
- Interesse daran, maschinelles Lernen auf realitätsnahe Geschäftsanwendungen und Prognoseprobleme anzuwenden
Zielgruppe
- Geschäftsanalysten
- AI-Experten
- Datengetriebene Entscheidungsträger und Manager
Erfahrungsberichte (3)
Mir hat besonders der Schluss gefallen, als wir die Zeit nahmen, mit CHAT GPT herumzuspielen. Der Raum war dafür jedoch nicht optimal eingerichtet – anstelle eines großen Tisches wären ein paar kleinere Tische nützlicher gewesen, damit wir in kleinen Gruppen zusammenkommen und brainstormen könnten.
Nola - Laramie County Community College
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
Dass es reale Firmendaten verwendete. Der Trainer hatte einen sehr guten Ansatz, indem er die Teilnehmer aktiv einbezog und sie miteinander wetteifern ließ.
Jimena Esquivel - Zaklad Uslugowy Hakoman Andrzej Cybulski
Kurs - Applied AI from Scratch in Python
Maschinelle Übersetzung
