Predictive Analytics: Datenbasierte Prognosen mit KI und Vorhersagemodellen
.svg)
.svg)
.svg)
Machine Lerning Engineer
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
- Erwirb Kenntnisse über Schlüsselkonzepte wie Trends, Anomalien und Saisonalität und lerne, wie Methoden der Künstlichen Intelligenz zur Vorhersage deiner Kennzahlen angewendet werden können.
- Nutze das theoretisch erlangte Wissen praktisch in Jupyter Notebooks mit Python und diskutiere anschließend deine 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 dir bei der praktischen Arbeit.
Die Inhalte dieser Weiterbildung unterstützen die Nachweispflicht zur Förderung von KI-Kompetenz im Sinne des Art. 4 EU KI-VO.
Dieses Online Essential bietet dir ein digitales Blended-Konzept, das für das berufsbegleitende Lernen entwickelt wurde. Mit einem Zeitbudget von mindestens 3-4 Stunden pro Woche kommst du sicher ans Ziel. Alternativ kannst du dir die Lerneinheiten flexibel einteilen. So lernst du in dem Kurs:
Selbstlernphasen: Lerne selbstbestimmt, in deinem eigenen Tempo und wann immer du möchtest. Unsere Kurse bieten dir dafür didaktisch hochwertiges Lernmaterial mit Videos, Artikeln, interaktiven Übungen, Quizzes und Lernkontrollen.
Live-Webinare: In regelmäßigen Online-Seminaren triffst du deine Referent:innen persönlich. Du erhältst Antworten auf deine Fragen, konkrete Hilfestellungen und Anleitungen, um dein Wissen zu vertiefen und die erworbenen Fähigkeiten in praktischen Übungen anzuwenden.
Praxisaufgaben: Um die Fähigkeiten in der Praxis zu lernen, erhältst du Zugang zu Jupyter Notebooks, die es dir ermöglichen, das erlernte Wissen selbst praktisch anzuwenden. Durch diese Übungen erhältst du ein tiefes Verständnis für die Arbeit mit Daten und erarbeitest dir Methoden und Techniken, die du im beruflichen Alltag anwenden kannst.
Lern-Community: Während des gesamten Kurses steht dir eine digitale Lern-Community zur Verfügung. Tausche dich mit anderen Teilnehmenden und den Referent:innen aus und kläre Fragen.
Teilnahmebescheinigung und Open Badge: Als Absolvent:in des Kurses erhältst du ein Zertifikat und ein Open Badge, das du ganz einfach in beruflichen Netzwerken (u. a. LinkedIn) teilen kannst.
In deiner Online-Lernumgebung findest du nach deiner Anmeldung nützliche Informationen, Downloads und Extra-Services zu dieser Qualifizierungsmaßnahme.
In der Veranstaltung kann folgendes Drittanbieter-Tool eingesetzt werden:
- Jupyter Notebook
Dieser Kurs richtet sich an Fachkräfte aus allen Branchen mit Interesse an Predictive Analysis und Predictive Maintenance sowie an alle, die sich zum Data Analyst oder 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:
- Installiere Python 3 auf deinem Rechner.
- Richte die virtuelle Umgebung "venv" ein und aktiviere "venv".
- Installiere Jupyter Notebooks auf deinem Rechner.
- Installiere die Bibliotheken numpy, pandas und matplotlib.
- Erstelle ein neues Notebook in Jupyter Notebooks und importiere 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.
.svg)
