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 zentrales Element der Künstlichen Intelligenz
- Arten des maschinellen Lernens: überwachtes, unüberwachtes, verstärkendes und halbüberwachtes Lernen
- Häufig verwendete ML-Algorithmen in Geschäftsanwendungen
- Aufgaben, Risiken und potenzielle Anwendungsbereiche des ML in der KI
- Übertreibung und das Bias-Varianz-Dilemma
Machine Learning Techniken und Arbeitsabläufe
- Der Machine Learning-Lebenszyklus: vom Problem zur Bereitstellung
- Klassifizierung, Regression, Clustering, Anomalieerkennung
- Wann überwachtes vs. unüberwachtes Lernen verwendet werden sollte
- Verständnis verstärkendes Lernen in der Geschäftsautomatisierung
- Berücksichtigungen bei ML-gestützten Entscheidungsfindungen
Datenvorverarbeitung und Feature Engineering
- Datenbereitung: Laden, Bereinigen, Transformieren
- Feature Engineering: Kodierung, Transformation, Erstellung
- Featureskalierung: Normalisierung, Standardisierung
- Dimensionsreduktion: PCA, Variablenauswahl
- Explorative Datenanalyse und Geschäftsdarstellung in Visualisierungen
Anwendungsbeispiele in Business
- Erweitertes Feature Engineering zur Verbesserung der Vorhersagegenauigkeit mit linearer Regression
- Zeitreihenanalyse und Prognose des monatlichen Verkaufsvolumens: Saisonaljustierung, Regression, exponentielles Glätten, ARIMA, neuronale Netze
- Sektoranalyse unter Verwendung von Clustering und selbstorganisierenden Karten
- Marktkorbanalyse und Assoziationsregel-Mining für Einblicke in den Einzelhandel
- Klassifizierung der Kunden-Nichteinhaltungen mit logistischer Regression, Entscheidungsbaum, XGBoost, SVM
Zusammenfassung und Nächste Schritte
Voraussetzungen
- Grundlegendes Verständnis der Begriffe und Konzepte des maschinellen Lernens
- Bekanntschaft mit Datenanalyse oder Arbeit mit Datensätzen
- Eine gewisse Exposition an einer Programmiersprache (z.B. Python) ist vorteilhaft, aber nicht zwingend erforderlich
Zielgruppe
- Business Analysten und Datenprofis
- Entscheidungsträger, die an der Einführung von KI interessiert sind
- IT-Professionals, die maschinelles Lernen in Unternehmen erkunden
14 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
