KI Für Entscheider Workshop: Maschinelles Lernen und Datenanalyse

Grundlagen von Machine Learning, Data Mining und KI

• Einordnung von Künstlicher Intelligenz, Machine Learning, Data Mining und Deep Learning
• Typische Einsatzfelder von Datenanalyse und Machine Learning in Unternehmen
• Abgrenzung zwischen regelbasierter Automatisierung, statistischer Analyse und lernenden Modellen
• Wichtige Lernverfahren im Überblick: überwachtes, unüberwachtes und verstärkendes Lernen
• Rolle von Daten, Trainingssets, Features und Zielvariablen in Machine-Learning-Projekten

CRISP-DM als Vorgehensmodell für Datenprojekte

• Strukturierter Ablauf von Datenprojekten mit CRISP-DM
• Business Understanding: Geschäftsziele, Datenfragen und KPIs ableiten
• Data Understanding: Datenquellen, Datenstruktur, Aussagekraft und Grenzen erkennen
• Data Preparation: Daten bereinigen, transformieren und für Modelle vorbereiten
• Modeling und Evaluation als iterative Arbeitsschritte im Analyseprozess
• Einordnung von CRISP-DM für realistische Projektplanung und fachliche Entscheidungsprozesse

Datenverständnis und Datenvorbereitung in KNIME

• Überblick über Datentypen, Datenquellen und typische Qualitätsprobleme
• Analyse von Verteilungen, Ausreißern, fehlenden Werten und Datenformaten
• Aufbau einfacher Analyse-Workflows in KNIME ohne Programmierkenntnisse
• Vorbereitung von Daten für Data-Mining- und Machine-Learning-Modelle
• Feature-Auswahl und fachliche Interpretation von Datenmerkmalen
• Praxisnahe Übungen mit realitätsnahen Daten- und Trainingssets

Modelle erstellen und Ergebnisse bewerten

• Clustering zur Mustererkennung und Segmentierung
• Regressionsmodelle für Prognosen und Zusammenhänge
• Klassifikationsmodelle für Entscheidungs- und Zuordnungsaufgaben
• Wichtige Metriken zur Modellbewertung und Ergebnisinterpretation
• Unterschied zwischen Modellgüte, fachlicher Nutzbarkeit und operativer Umsetzbarkeit
• Praxisbeispiele zur Bewertung von Machine-Learning-Modellen in KNIME

Deep Learning und neuronale Netze einordnen

• Grundprinzipien neuronaler Netze und ihrer Architektur
• Einordnung von Deep Learning als spezialisierte Technik im maschinellen Lernen
• Typische Anwendungsfelder und Anforderungen von Deep-Learning-Verfahren
• Abgrenzung zu klassischen Machine-Learning-Modellen
• Bewertung, wann Deep Learning fachlich sinnvoll ist und wann klassische Verfahren ausreichen

• Keine Programmierkenntnisse erforderlich
• Grundverständnis für Geschäftsprozesse, Kennzahlen oder datenbasierte Fragestellungen hilfreich
• Interesse an Künstlicher Intelligenz, Data Mining und praktischer Datenanalyse
• Bereitschaft, Analyse-Workflows in KNIME anhand von Übungen nachzuvollziehen

• Entscheiderinnen, Entscheider, Geschäftsführende und Bereichsleitungen, die KI-Initiativen bewerten, priorisieren oder budgetieren
• Produktmanagerinnen, Produktmanager, Product Owner und Prozessverantwortliche, die Automatisierungspotenziale mit Machine Learning einschätzen möchten
• Fachverantwortliche aus Controlling, Operations, Vertrieb, Service oder Call-Center-Umgebungen, die Datenanalyse-Projekte fachlich begleiten
• Technische Führungskräfte und Projektleitungen, die zwischen Fachbereich, Data-Science-Team und IT vermitteln