Predictive Analytics: Datenbasierte Prognosen mit KI und Vorhersagemodellen: Datenbasierte Vorhersagen mit Big Data, Künstlicher Intelligenz und Zeitreihen-Modellen

1. Warum Zeitreihen helfen, die Realität zu verstehen

• Das Konzept der prädiktiven Analyse mit Zeitreihen
• Die vier Facetten der Zeitreihenanalyse
• Die Rolle von Variablen in alltäglichen Fragestellungen
• Die Zeitreihen-Metriken

2. Regressionsmodelle im Detail

• Statistik und der Umgang mit Blickwinkeln
• Vorhersagen durch Regression
• Multivariate Regression
• Wie lernt ein Regressionsmodell?

3. Vorhersagen mit Neuronalen Netzen

• Einführung in Neuronale Netze
• Aktivierungsfunktionen für Neuronen
• Tiefe neuronale Netze erstellen
• Deep versus Wide Learning

4. Vorhersagen mit Transformer-Modellen

• Prozess der Vorhersagenerstellung
• Daten für Maschinen sichtbar machen
• Aufmerksamkeitssteuerung
• Softmax-Funktion und Kausalität

• Erwerben Sie Kenntnisse über Schlüsselkonzepte wie Trends, Anomalien und Saisonalität und lernen Sie, wie Methoden der Künstlichen Intelligenz zur Vorhersage Ihrer Kennzahlen angewendet werden können.
• Nutzen Sie das theoretisch erlangte Wissen praktisch in Jupyter Notebooks mit Python, und diskutieren Sie anschließend Ihre Erfahrungen mit erfahrenen Unternehmensberater:innen sowie KI-Entwickler:innen.
• Eine sorgfältig von Pädagog:innen, Unternehmensberater:innen und KI-Entwickler:innen entwickelte Lernreise gewährleistet eine optimale Vermittlung, Anwendung und Vertiefung des Wissens.
• Der abwechslungsreiche Methoden-Mix aus Webinaren, Selbstlern-Einheiten und der Anwendung anhand praktischer Use Cases fördert eine nachhaltige Verankerung des erworbenen Wissens.
• Die Webinare werden in Zusammenarbeit zwischen KI-Expert:innen und Unternehmensberater:innen präsentiert.
• Ein umfassendes Cheat-Sheet für Python, inklusive aller wichtigen Funktionen und Formeln, hilft bei der praktischen Arbeit.

Dieser Kurs richtet sich an Fachkräfte aus allen Branchen mit Interesse an Predictive Analysis und Predicitve Maintenance sowie an alle, die sich zum Data Analyst oder zum Data Scientist weiterbilden möchten.

Für die Teilnahme empfehlen wir folgende Voraussetzungen:

• Basiswissen der Python-Syntax (Variablen, Operatoren, Schleifen, Bedingungen, Funktionen etc.)
• Grundlegendes mathematisches Wissen zur Vektorrechnung
• Einordnung von Numpy, Pandas, Matplotlib
• Kenntnisse in PyTorch und scikit-learn sind nicht erforderlich, aber von Vorteil

Zur Vorbereitung:

• Installieren Sie Python 3 auf Ihrem Rechner
• Richten Sie die virtuelle Umgebung venv ein und aktivieren Sie venv
• Installieren Sie Jupyter Notebooks auf Ihrem Rechner
• Installieren Sie die Bibliotheken numpy, pandas und matplotlib
• Erstellen Sie ein neues Notebook in Jipyter Notebooks und importieren Sie die Bibliotheken

Durch diese Schritte wird Python 3 mit einer virtuellen Umgebung eingerichtet, in der Jupyter Notebooks sowie die Bibliotheken numpy, pandas und matplotlib installiert und nutzbar sind.