Nach dem Seminar können Sie grundlegende Konzepte von Predictive Analytics und Machine Learning erläutern und deren Einsatzmöglichkeiten für geschäftliche Fragestellungen beurteilen. Sie kennen wichtige Schritte der Datenaufbereitung, explorativen Analyse und Merkmalsentwicklung. Sie können gängige Modellarten einordnen und geeignete Kriterien für deren Auswahl und Bewertung benennen. Dabei unterscheiden Sie konsequent zwischen Modelltraining, Validierung und abschließender Leistungsbewertung. Sie verstehen, warum Testdaten bis zur unabhängigen Bewertung zurückgehalten werden müssen. Darüber hinaus kennen Sie grundlegende Ansätze für Ensemble-Methoden, Deep Learning und Textverarbeitung sowie die wesentlichen Schritte zur Bereitstellung und Überwachung von Modellen.
Einführung in Predictive Analytics und Machine Learning
Definitionen, Konzepte und Anwendungsgebiete in verschiedenen Branchen
Überwachtes und unüberwachtes Lernen unterscheiden
Herausforderungen und Best Practices
Datenaufbereitung und Datenreinigung
Relevante Datenquellen identifizieren und erfassen
Fehlende Werte und Ausreißer behandeln
Daten integrieren und transformieren
Normalisierung, Skalierung und Codierung
Datenaufbereitung ohne Informationsübertragung aus Validierungs- oder Testdaten
Explorative Datenanalyse
Histogramme, Streudiagramme und Heatmaps
Verteilungen, Korrelationen und Hypothesentests
Muster und Trends erkennen
Untergruppen durch Segmentierung identifizieren
Explorative Entscheidungen auf Entwicklungsdaten stützen und Testdaten zurückhalten
Feature Engineering
Merkmalsauswahl mit Filter-, Wrapper- und Embedded-Methoden
Merkmalsextraktion, Dimensionalitätsreduktion und Feature-Konstruktion
One-Hot-Encoding und Label-Encoding
Merkmale skalieren und normalisieren
Merkmalsauswahl und Transformationen innerhalb der Trainings- und Validierungsstruktur durchführen
Modellauswahl und Evaluation
Lineare Modelle, Entscheidungsbäume, Support Vector Machines und neuronale Netze
Auswahlkriterien: Genauigkeit, Robustheit und Interpretierbarkeit
Aufgaben von Trainings-, Validierungs- und Testdaten unterscheiden
Geeignete Evaluationsmetriken auswählen
Modelle anhand von Validierungsdaten beziehungsweise Kreuzvalidierung vergleichen und auswählen
Modelltraining und -validierung
Trainings-, Validierungs- und Testdaten trennen; alternativ Kreuzvalidierung mit separatem Testdatensatz
Modelle mit Trainingsdaten trainieren
Hyperparameter mithilfe von Validierungsdaten beziehungsweise Kreuzvalidierung optimieren
Das ausgewählte Modell abschließend mit einem unabhängigen, zurückgehaltenen Testdatensatz bewerten
Fortgeschrittene Techniken des Machine Learning
Ensemble-Methoden: Bagging, Boosting und Random Forests
Einführung in neuronale Netze und Deep Learning
Deep Learning für Bild- und Textdaten
Natural Language Processing: Textvorverarbeitung und Textklassifikation
Deployment von Modellen
Modelle in produktionsfähige Formate überführen
Integration in bestehende Systeme und Anwendungen
Modellleistung im laufenden Betrieb überwachen
Modellbereitstellung skalieren und optimieren
Dauer/zeitlicher Ablauf:
2 Tage
Zielgruppe:
Das Seminar richtet sich an Führungskräfte, Manager, Datenanalysten, Data Scientists, IT-Fachkräfte, Marketing- und Vertriebsprofis sowie Unternehmensberater und Analytik-Experten, die einen grundlegenden Überblick über Predictive Analytics und Machine Learning gewinnen möchten.
Teilnahmevoraussetzungen
Grundkenntnisse in Datenanalyse, Statistik und Programmierung sind von Vorteil, aber nicht zwingend erforderlich.
Spezielle Vorkenntnisse in Predictive Analytics oder Machine Learning werden nicht vorausgesetzt.
Wir setzen Analyse-Cookies ein, um Ihre Zufriedenheit bei der Nutzung unserer Webseite zu verbessern.
Diese Cookies werden nicht automatisiert gesetzt.
Wenn Sie mit dem Einsatz dieser Cookies einverstanden sind, klicken Sie bitte auf Akzeptieren.
Weitere Informationen finden Sie hier.
