Schulungsübersicht
Einführung in Maschinelles Lernen in der Wirtschaft
- Maschinelles Lernen als Kernkomponente der Künstlichen Intelligenz
- Arten des maschinellen Lernens: überwachtes, unüberwachtes, Verstärkendes und semi-überwachtes Lernen
- Häufig in Wirtschaftsanwendungen eingesetzte ML-Algorithmen
- Herausforderungen, Risiken und potenzielle Einsatzzwecke von ML in KI
- Überanpassung (Overfitting) und der Bias-Varianz-Tradeoff
Techniken und Arbeitsablauf des maschinellen Lernens
- Der ML-Lebenszyklus: vom Problem bis zur Bereitstellung
- Klassifizierung, Regression, Clustering, Anomalie-Erkennung
- Wann überwachtes versus unüberwachtes Lernen eingesetzt wird
- Verständnis des Verstärkenden Lernens in der Wirtschaftsautomatisierung
- Überlegungen bei ML-gesteuerten Entscheidungsfindungsprozessen
Datenvorverarbeitung und Feature Engineering
- Datenvorbereitung: Laden, Bereinigen, Transformieren
- Feature Engineering: Kodierung, Transformation, Erstellung
- Feature-Scaling: Normalisierung, Standardisierung
- Dimensionsreduktion: PCA, Variablenauswahl
- Explorative Datenanalyse und Visualisierung wirtschaftlicher Daten
Neuronale Netze und Deep Learning
- Einführung in neuronale Netze und deren Einsatz in der Wirtschaft
- Struktur: Eingabe-, verborgene und Ausgabeschichten
- Backpropagation und Aktivierungsfunktionen
- Neuronale Netze für Klassifizierung und Regression
- Einsatz neuronaler Netze bei Prognosen und Mustererkennung
Umsatzprognose und prädiktive Analytik
- Zeitreihen-basierte versus regressive Prognoseverfahren
- Zerlegung von Zeitreihen: Trend, Saisonalität, Zyklen
- Techniken: Lineare Regression, exponentielle Glättung, ARIMA
- Neuronale Netze für nichtlineare Prognosen
- Fallstudie: Prognose des monatlichen Verkaufsvolumens
Fallstudien zu Wirtschaftsanwendungen
- Fortgeschrittenes Feature Engineering zur Verbesserung der Vorhersage mittels linearer Regression
- Segmentierungsanalyse mittels Clustering und selbstorganisierender Karten (SOM)
- Market-Basket-Analyse und Assoziationsregel-Mining für Einzelverkehr-Einblicke
- Klassifizierung von Kundenkreditausfallereignissen mittels logistischer Regression, Entscheidungsbäumen, XGBoost, SVM
Zusammenfassung und weitere Schritte
Voraussetzungen
- Grundlegendes Verständnis der Prinzipien des maschinellen Lernens und ihrer Anwendungen
- Vertrautheit mit der Arbeit in Tabellenkalkulationsumgebungen oder Datenanalyse-Tools
- Erste Erfahrungen mit Python oder einer anderen Programmiersprache sind hilfreich, aber nicht zwingend erforderlich
- Interesse am Einsatz des maschinellen Lernens für reale wirtschaftliche und Prognoseprobleme
Zielgruppe
- Business Analysten
- KI-Fachleute
- datengesteuerte Entscheider und Manager
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
