Umsetzung und Implementierung von Machine- Learning-Szenarien
Die wichtigsten Werkzeuge im Überblick
Ziel
Es gibt mittlerweile eine Vielzahl verschiedener Softwarelösungen und Programmiersprachen, um Machine Learning anzuwenden. Ohne die Auswahl der richtigen und zur Ausgangslage des Unternehmens passenden Tools sind Projekte im Data-Science-Umfeld mit Machine Learning nicht umzusetzen. Nach einer kurzen Vorstellung dieser Tools werden konkrete Data-Science-Anwendungsfälle vorbereitet und in praktischen Hands-on Sessions im Analysetool KNIME umgesetzt (z.B. Demand Forecasting). Anhand vieler praktischer Beispiele vermitteln die Trainer:innen jene „Tipps & Tricks“, die es braucht, um Machine Learning in Data-Science-Projekten erfolgreich umzusetzen.
Dieses Modul sollte nur in Kombination mit dem Modul „Methodische Grundlagen für Data Analytics und Data Science“ besucht werden.
Aufbau und Inhalte
Alle Inhalte werden ergänzt durch Beispiele und Erfahrungen aus der echten Praxis und praktischen Übungen in KNIME.
- Datenvorbereitung und -verständnis
- explorative Datenanalyse;
- Datenbereinigung und -selektion.
- Methoden der Datenvisualisierung
- Richtlinien und Fallstricke;
- Reporting-Tools (z.B. PowerBI).
- Machine-Learning-Tools und deren Grenzen
- Überblick zu KNIME, Python, R und Azure;
- Leitfaden zur Auswahl des richtigen Tools.
- Anwendungsfälle
- Anomalieerkennung (z.B. Früherkennung von Maschinenverschleiß oder Betrugserkennung);
- Zeitreihenvorhersage (z.B. Bedarfs- oder Umsatzprognose).
- Datenschutz und Ethik.
Software-Anforderungen: KNIME Analytics
Kostenloser Download unter https://www.knime.com/downloads
