Machine Learning (ML) im Unternehmen gewinnbringend einsetzen

An den beiden Vormittagen des Praxisworkshops werden jeweils theoretische Grundlagen und Hintergründe vermitteln. Nachmittags wird das erlernte Wissen direkt praktisch angewandt. Es werden dabei zwei reale Fallstudien behandelt. Schritt für Schritt zeigt unser Referent, wie Daten klassifiziert und durch Machine Learning-Anwendungen verlässliche Vorhersagen getroffen werden können. Die Praxisbeispiele werden als sogenannte Jupyter-Notebooks zur Verfügung gestellt. Sie bearbeiten die Fallstudien unter Anleitung durch den Referenten selbstständig als Browser-Anwendung. Weitere technische Hilfsmittel werden nicht benötigt. Das erlernte Wissen können Teilnehmende anschließend direkt in Ihrem Unternehmen praktisch anwenden. 

Die inhaltlichen Schwerpunkte bilden:

• Einführung in das Gebiet Machine Learning als Teilgebiet der Künstlichen Intelligenz
• Daten auswählen, einlesen und vorverarbeiten
• Machine Learning-Verfahren auf Unternehmensdaten anwenden
• Auswertung und Klassifikation von Daten 
• Vorhersage von Werten in der Zukunft

Das erlernte Wissen können Sie anschließend direkt in Ihrem Unternehmen praktisch anwenden. 

2 Tage

• Sie erhalten einen praxisnahen Einblick in Machine Learning und erfahren, welche Ansätze und Verfahren Machine Learning kennzeichnen.
• Sie lernen typischen Aufgaben von Algorithmen kennen und erfahren, welche Fragestellungen im Unternehmen durch sie gelöst werden können.
• Sie lernen Daten mittels Python für das Machine Learning aufzubereiten, einzulesen und den Algorithmus zu trainieren.
• Durch den ausgewogenen Mix aus Theorie und Praxis sind Sie sind anschließend in der Lage selbstständig Datenauswertungen durch ML-Anwendungen anzustoßen und die Ergebnisse zielgerichtet zu analysieren.

Dieser Online-Workshop wird mit Zoom durchgeführt. Systemvoraussetzungen und unterstützte Betriebssysteme können Sie hier einsehen. Für die Einwahl in Zoom über die verschiedenen Anwendungen (Desktop Client, App oder Web-Client) finden Sie hier einen zusätzlichen Vergleich zu den jeweiligen Eigenschaften. 

Seminarprogramm | Tag 1

• Einführung in Künstliche Intelligenz und Machine Learning (Theorie)
  • Was sind Künstliche Intelligenz, Machine Learning und Deep Learning?
  • Welche Aufgaben lassen sich mit Machine Learning lösen?
• Machine Learning - Grundlagen (Theorie)
  • Einführung in grundlegende Begriffe
  • Trainings- und Inferenzphase
  • Bedeutung der Varianz der Trainingsdaten
  • Overfitting als Gefahr beim Machine Learning
  • Wichtige Machine Learning Verfahren
• Datenvorverarbeitung für das Machine Learning (Praxis)
  • Daten mittels Pandas einlesen
  • Datenvorverarbeitung mittels Pandas
  • Datenlücken behandeln, fehlerhafte Werte automatisch erkennen
• Fallstudie 1: Machine Learning zur Vorhersage von Verkaufspreisen (Praxisteil)
  • Verwendung eines Neuronalen Netzes zur Vorhersage von realistischen Verkaufspreisen

 

Seminarprogramm | Tag 2

• Machine Learning: Wie funktioniert das eigentlich? (Theorie)
  • Wie funktioniert das Lernen beim Machine Learning?
  • Was ist ein Optimierer?
• Vertiefung: Machine Learning (Theorie)
  • Vorstellung weiterer Machine Learning Modelle
• Machine Learning Modelle optimieren (Praxisteil)
  • Was mache ich, wenn mein Machine Learning Modell nicht das macht, was ich will?
• Fallstudie 2: Machine Learning für die Vorhersage der Kundenzufriedenheit (Praxisteil)
  • Umgang mit Texten beim Machine Learning
  • Analyse der Zufriedenheit von Kunden mit Produkten auf Basis von Kundenrezensionen

Überall dort, wo tabellarische Daten vorliegen – etwa im Marketing, Controlling oder Vertrieb – können neue Erkenntnisse gewonnen werden. Das Seminar richtet sich an Fach- und Führungskräfte aus allen Unternehmensbereichen, die einen gezielten Einstieg in die Datenanalyse suchen. Programmierkenntnisse werden nicht vorausgesetzt. Wichtige Grundlagen – beispielsweise Python-Befehle – werden bereitgestellt