Kursbeschreibung
In diesem Seminar lernst Du, wie Machine Learning und Datenanalyse Geschäftsentscheidungen fundiert unterstützen. Du verstehst zentrale Lernverfahren, erkennst den Wert von Daten für Geschäftsprozesse und erfährst, wie Datenprojekte mit CRISP-DM strukturiert umgesetzt werden.
Die wichtigsten Themen im Überblick
- Machine Learning und Data Mining verständlich einordnen
- Den CRISP-DM-Workflow sicher auf Datenprojekte anwenden
- Geschäftsprozesse mit KI-Potenzial datenbasiert bewerten
- Datenquellen analysieren und für Modelle vorbereiten
- Clustering, Regression und Klassifikation praxisnah nutzen
- Modelle mit passenden Metriken fundiert bewerten
- KNIME-Workflows für eigene Analyseaufgaben umsetzen
- Deep Learning und neuronale Netze richtig einordnen
Zielgruppe
Dieser Kurs richtet sich an alle, die ein detailliertes Verständnis von KI und ihren Techniken gewinnen möchten. Besonders geeignet für Entscheider:innen in Unternehmen, Produktmanager:innen, Product Owner und Prozessmanager:innen, die Geschäftsprozesse mit KI automatisieren möchten. Auch technische Führungskräfte sowie Fachkräfte, die sich in den Bereichen Data Mining und KI weiterbilden möchten, profitieren von diesem Kurs. Der Kurs bietet einen idealen Einstieg in das Themenfeld und eignet sich sowohl für Ein- und Quereinsteiger:innen als auch für Personen mit Vorkenntnissen, die ihr Wissen vertiefen möchten.
Voraussetzung für die Schulung
Kursinhalte
Grundlagen des Machine Learning und Data Mining
- Einführung in Data Mining und Machine Learning
- Wichtige Lernverfahren im Detail
- Umsetzung von Datenprojekten mit CRISP-DM
- Business Understanding: Was können Daten über Geschäftsprozesse aussagen?
Datenverständnis und Datenvorbereitung
- Überblick über Datentypen und Datenquellen
- Bedeutung und Analyse von Daten
- Erste praxisorientierte Übungen in KNIME
- Wichtige Schritte der Datenvorbereitung für Projekte
Modellierung und Evaluierung
- Clustering-Algorithmen im Detail
- Erstellung von Regressionsmodellen
- Klassifikationsmodelle verstehen und anwenden
- Die wichtigsten Metriken zur Modellbewertung
- Praxisbeispiele mit KNIME
Ein Ausblick auf Deep Learning und neuronale Netze
- Funktionsweise und Architektur neuronaler Netze
- Überblick über moderne Deep-Learning-Techniken
- Wie Machine Learning in der Praxis eingesetzt wird – Ausblick
- Deep Learning als spezialisierte Technik im maschinellen Lernen
