26.10.2020
Specialist knowledge

Grundlagen von Data Science und Machine Learning

Eine praktische Einführung in Business Analytics

Künstliche Intelligenz und maschinelles Lernen bieten Unternehmen heute vielversprechende neue Möglichkeiten. Zunehmend basieren sowohl Prozessoptimierung als auch vollständig neue Geschäftsmodelle auf der Analyse und Auswertung von Daten sowie auf maschinellem Lernen, durch das automatisiert Business-Entscheidungen getroffen werden. Dieser Trend spiegelt sich in Schlagwörtern wie Industrie 4.0, Big Data oder Business Analytics wider. Den damit verbundenen Herausforderungen stellt sich die Disziplin „Data Science“, die bspw. Datenvisualisierung, Statistik, Programmierung und maschinelles Lernen vereint. Der Beruf des „Data Scientist“ erfreut sich extrem hoher Nachfrage, nicht zuletzt durch die vom „Harvard Business Review“ geprägte Einordnung als „Sexiest Job of the 21st Century“.

Ziel des Seminars ist es, allen Interessierten jenseits der einschlägigen „Buzzwords“ eine Einführung in grundlegende Verfahren aus den Bereichen Data Science und Machine Learning zu geben und sie zu befähigen, entsprechende Methoden praktisch anzuwenden. Anhand des Vorgehensmodells CRISP-DM werden verschiedene Methoden zur Datenanalyse, -visualisierung und -aufbereitung sowie zur Erstellung von Machine Learning-Modellen behandelt. Die Veranstaltung beschränkt sich nicht auf Theorie, sondern ermöglicht das Sammeln zahlreicher praktischer Erfahrungen unter Verwendung des Data Science-Werkzeugs „RapidMiner“. Als ein beispielhaftes Tool bietet es die Möglichkeit, ohne Programmiererfahrung komplexe Analyse- und Machine Learning-Pipelines grafisch zu gestalten und ist somit optimal für den Einstieg in die praktische Auseinandersetzung mit dem Themengebiet. Zusätzlich werden im Seminar Ausblicke auf die populäre Programmiersprache „Python“ sowie auf Data Science und Big Data Cloud-Lösungen gegeben.

Inhalt:

Das Seminar bereitet die Teilnehmer auf die Herausforderungen in Unternehmen hinsichtlich Datenanalyse und datengetriebener Entscheidungsoptimierung vor. Folgende Herausforderungen und Inhalte werden behandelt:

  • Das Potential von Daten für das eigene Unternehmen erkennen
    Anwendungsbereiche von Data Science und Machine Learning anhand einer Analytics-Fallstudie diskutieren
  • Eigene Daten selbständig analysieren, Erkenntnisse gewinnen und Mehrwert erkennen
    Daten selbständig analysieren, aggregieren und visualisieren, Muster in Daten durch Machine Learning finden
  • Die Komplexität von Data Science- und Machine Learning-Projekten managen Vorgehensmodelle zur strukturierten Lösung von Analytics-Problemen kennenlernen
  • Mit schlechter Datenqualität umgehen und Datenquellen integrieren
    Selbständig Daten vorverarbeiten, insbesondere verschiedene Datenquellen zusammenführen, deren Datenqualität bewerten und Qualitätsprobleme lösen
  • Datengetrieben (automatisiert) Prognosen erstellen und Entscheidungen optimieren 
    Verschiedene Verfahren des maschinellen Lernens (supervised und unsupervised) verstehen und selbständig anwenden sowie das Potential dieser Verfahren erkennen und zusätzlich einen Ausblick auf moderne Machine Learning-Cloud Plattformen erhalten

Nutzen:

  • Sie sind in der Lage, eigene Analysefragestellungen zu bearbeiten und ausgewählte Verfahren des maschinellen Lernens zur Datenanalyse und für die Prognose einzusetzen
  • Sie kennen Einstiegspunkte für eine tiefergehende Auseinandersetzung mit Data Science, Business Analytics und Big Data

Methoden:

Im Seminar wird eine Vielzahl von Methoden vermittelt und praktisch erprobt. Die konkret behandelten Inhalte und Methoden sind:

  • Fallstudie „Machine Learning in der automatisierten Disposition eines Händlers“ – Einführung in Data Science, Machine Learning und die Einbettung von Business Analytics in betriebswirtschaftliche Prozesse
  • Diskussion von Anwendungsmöglichkeiten von Data Science, Machine Learning und Big Data in Produktion, Distribution, Handel, Transport und Logistik – Integration von Teilnehmerinteressen in das Seminar
  • Einführung in das Tool „RapidMiner“ – Erstellung und Tuning des ersten eigenen Machine Learning-Modells
  • Data Science Vorgehensmodelle, insbesondere der CRoss-Industry Standard Process for Data Mining (CRISP-DM)
  • Verfahren der explorativen Datenanalyse (Datenvisualisierung, -aggregation und statistische Kennzahlen) – schnell und effizient Erkenntnisse gewinnen, Hypothesen ableiten, Daten aggregieren, ansprechend visualisieren und effektiv kommunizieren
  • Methoden zum Handling fehlender Daten – Datenqualitätsprobleme erkennen und behandeln
  • Daten für Machine Learning-Modelle vorbereiten (Pre-Processing, Feature Engineering, Imputation)
  • Überwachtes maschinelles Lernen (Supervised Learning) – Einführung in grundlegende sowie moderne Klassifikations- und Regressionsmethoden zur Prognose zukünftiger Zustände
  • Unüberwachtes maschinelles Lernen (Unsupervised Learning) – Einführung in grundlegende Methoden des Clusterings und der Ausreißererkennung
  • Optional, je nach Interessenslage: Kurzer Ausblick auf Data Science mit der Programmiersprache Python
  • Optional, je nach Interessenslage: Ausblick auf Big Data und Cloud-basierte Data Science Lösungen, bspw. mit der Fallstudie „Deep Learning zur Klassifikation von Bildern“

Zielgruppen:

  • Fach- und Führungskräfte aus beliebigen Branchen, die sich intensiver mit dem Thema Business Analytics, Machine Learning und Data Science sowie den Potentialen für ihre Prozesse befassen wollen
  • Business Analysten, die sich in Richtung Data Science und Machine Learning weiterentwickeln und die grundlegende Funktionsweise verstehen wollen
  • Controller, die tiefergehende Analytics-Methoden (über Excel und klassische BI-Tools hinaus) kennenlernen möchten
  • Nachwuchsführungskräfte und Projektverantwortliche, die den Einstieg in das Thema Data Science wagen und sich damit optimal zukunftsfähig positionieren wollen
  • Sämtliche Mitarbeiter mit einer Affinität zu Analytics-Fragestellungen

Voraussetzungen:

Basiskenntnisse in der Datenanalyse, bspw. mittels Excel, sind von Vorteil, jedoch keine Voraussetzung. Es werden keine Programmierkenntnisse vorausgesetzt.

Teilnehmerhinweise:

Ein Laptop, auf dem das Programm RapidMiner Studio „Free“ in der aktuellen Version installiert ist.

Es besteht die Möglichkeit, in begrenztem Rahmen eigene Datensätze (bspw. anonymisiert aus einem konkreten Projekt) der Teilnehmer als Beispiel für die vorgestellten Analyse- und Machine Learning-Methoden zu verwenden.

Veranstaltung

Grundlagen von Data Science und Machine Learning

Kategorie
Specialist knowledge
Zeit
09:00 - 17:00 (GMT +01:00)
Ort
b39 Akademie
Zielgruppe
Professionals, All interested parties, Manager / Executives, Project manager,
Voraussetzungen

Eigener Laptop

Investition
750 EUR exkl. Mehrwertsteuer
Freie Plätze
noch 12 Plätze frei

„Onlinetraining
3D-Punktwolken
und Matching
sehr gut“

"Umfangreiche und auch im Online-Format sehr gut und eloquent durchgeführte Schulung mit illustrativen Übungen und Beispielen. Man erhält einen sehr guten Überblick über Herangehensweisen, HALCON Algorithmen und Processing Pipelines."

Dr. Markus Heber, Computer Vision Solutions Consulting & Research

„Einstieg in HALCON
hilfreich für
eigenes Projekt“

„Die Schulung ist zielgerichtet auf die wesentlichen Bestandteile. Dabei wird sehr professionell und mit guter Fachkompetenz eine klare Herangehensweise der Bildverarbeitung vermittelt. Die Dozenten waren sehr hilfsbereit auf individuelle Fragen einzugehen. Dabei war es unter anderem möglich Ratschläge zu den eigenen Projekte zu bekommen.“ 

Christian Braun, Photon Energy (https://www.photon-energy.de/visionsysteme/)

KONTAKT

Wie können wir Ihnen weiterhelfen? Unser Team um Akademieleiterin Miriam Brenner steht Ihnen gerne zur Verfügung. Schreiben Sie uns!

Die Felder, die mit einem Stern (*) markiert sind, müssen ausgefüllt werden!

Die Datenschutzbestimmungen habe ich zur Kenntnis genommen und erteile meine datenschutzrechtliche Einwilligung.