Vielen Dank für die Zusendung Ihrer Anfrage! Eines unserer Teammitglieder wird Sie in Kürze kontaktieren.
Vielen Dank, dass Sie Ihre Buchung abgeschickt haben! Eines unserer Teammitglieder wird Sie in Kürze kontaktieren.
Schulungsübersicht
Einführung in Machine Learning in Business
- Maschinelles Lernen als Kernkomponente der Künstlichen Intelligenz
- Arten des maschinellen Lernens: überwacht, unüberwacht, verstärkend, semi-overwacht
- Häufig verwendete ML-Algorithmen in Geschäftsanwendungen
- Aufgaben, Risiken und mögliche Anwendungen von ML in der KI
- Überanpassung und das Bias-Varianz-Dilemma
Machine Learning Techniken und Arbeitsablauf
- Der Machine Learning-Lebenszyklus: vom Problem bis zur Bereitstellung
- Klassifizierung, Regression, Clustering, Anomalieerkennung
- Wann überwachtes im Vergleich zu unüberwachtem Lernen verwendet werden sollte
- Verständnis verstärkendes Lernen in der Geschäftsaufgabenautomatisierung
- Berücksichtigungen bei ML-gestützten Entscheidungsfindungen
Datenvorverarbeitung und Merkmalsingenieurwesen
- Datenbereitung: Laden, Bereinigen, Transformieren
- Merkmalserstellung: Kodierung, Transformation, Erstellung
- Skalierung von Merkmalen: Normalisierung, Standardisierung
- Reduktion der Dimensionalität: PCA, Variablenauswahl
- Explorative Datenanalyse und Geschäftsdarstellung in Visualisierungen
Neural Networks und Deep Learning
- Einführung in Neuronale Netze und ihre Anwendung im Geschäftsbereich
- Aufbau: Eingabeschicht, versteckte Schichten und Ausgabeschicht
- Rückwärtsverbreitung und Aktivierungsfunktionen
- Neuronale Netze für Klassifizierung und Regression
- Anwendung von neuronalen Netzwerken in der Prognose und Mustenerkennung
Vertrieb Forecasting und Predictive Analytics
- Zeitreihenprognose im Vergleich zur regressionsbasierten Vorhersage
- Aufspaltung von Zeitreihen: Trend, Saisonalität, Zyklus
- Techniken: Lineare Regression, exponentielles Glätten, ARIMA
- Neuronale Netze für nichtlineare Prognose
- Fallstudie: Monatlicher Umsatz von Forecasting
Fallstudien in Business-Anwendungen
- Erweitertes Merkmalsingenieurwesen zur Verbesserung der Vorhersage durch lineare Regression
- Segmentanalyse mit Clustering und selbstorganisierenden Karten
- Einkaufskorb-Analysis und Assoziationsregel-Mining für Einblicke in den Einzelhandel
- Klassifizierung von Kunden-Defaults durch Logistische Regression, Entscheidungsbaum, XGBoost, SVM
Zusammenfassung und Nächste Schritte
Voraussetzungen
- Basisverständnis der Prinzipien des maschinellen Lernens und ihrer Anwendungen
- Bekanntschaft mit der Arbeit in Tabellenkalkulationsumgebungen oder Datenanalysewerkzeugen
- Eine gewisse Exposition gegenüber Python oder einer anderen Programmiersprache ist hilfreich, aber nicht zwingend erforderlich
- Interesse am Anwenden von maschinellen Lernverfahren auf realitätsnahe Geschäftsaufgaben und Prognoseprobleme
Zielgruppe
- Business-Analysten
- AI-Professionals
- durch Daten gesteuerte Entscheidungsträger und Manager
21 Stunden
Erfahrungsberichte (2)
das ML-Ekosystem, nicht nur MLFlow sondern auch Optuna, Hyperopt, Docker und Docker-Compose
Guillaume GAUTIER - OLEA MEDICAL
Kurs - MLflow
Maschinelle Übersetzung
Ich habe es sehr genossen, an der Kubeflow Ausbildung teilzunehmen, die ferngesteuert durchgeführt wurde. Diese Ausbildung ermöglichte mir, mein Wissen zu AWS-Diensten, K8s und allen devOps-Tools rund um Kubeflow zu festigen, was die notwendige Grundlage ist, um das Thema angemessen anzugehen. Ich möchte Malawski Marcin für seine Geduld und Professionalität bei der Ausbildung sowie für Tipps zur besten Praxis danken. Malawski attackiert das Thema aus verschiedenen Perspektiven, mit unterschiedlichen Bereitstellungstools Ansible, EKS kubectl, Terraform. Jetzt bin ich definitiv überzeugt, dass ich mich auf dem richtigen Anwendungsgebiet befinde.
Guillaume Gautier - OLEA MEDICAL | Improved diagnosis for life TM
Kurs - Kubeflow
Maschinelle Übersetzung
