Künstliche Intelligenz im Business: Von Daten zu Mehrwert

Seminarziel

Sie sind nach dem Seminar in der Lage, KI-Projekte im Unternehmenskontext selbstständig zu planen und umzusetzen. Sie kennen zentrale Machine-Learning-Algorithmen, können passende Verfahren je nach Anwendung auswählen und beherrschen den gesamten Workflow - von der Datenvorbereitung über die Modellierung bis hin zum Einsatz von Tools wie Scikit-Learn und TensorFlow.
Darüber hinaus wissen Sie, wie Sie die Potenziale der Künstlichen Intelligenz für Ihre Organisation realistisch bewerten und mit eigenen Projekten nachhaltigen Mehrwert generieren.

Inhalt

• Einführung in KI im Business
  • Nutzen, Chancen und Grenzen von KI in Organisationen
  • Unterschied zwischen programmierten Anwendungen und Machine Learning
• Python als Open Source Entwicklungsumgebung
  • Anaconda, Spyder und relevante Bibliotheken (Scikit-Learn, Pandas, NumPy, Matplotlib, TensorFlow)
  • Installation des Pakets pythonforbusiness für praxisrelevante ML-Funktionen
• Datenvorverarbeitung
  • Umgang mit fehlenden Werten und Ausreißern
  • Datenintegration, Encoding, Normalisierung und Skalierung
  • Selektion relevanter Merkmale
  • Explorative Datenanalyse zur Potenzialerkennung
• Machine Learning und KI-Algorithmen
  • Überwachtes, unüberwachtes und bestärkendes Lernen
  • Business-Anwendungen mit Algorithmen wie:
  • Regression, Entscheidungsbaum, Random Forest
  • Support Vector Machines, K-Nearest Neighbors
  • Principal Component Analysis, K-Means, Apriori
  • Neuronale Netze und Deep-Q-Networks
• Modellierung basierend auf einem KI-Vorgehensmodell
  • Modellwahl: Eignung für unterschiedliche Use Cases
  • Modell-Evaluation: Overfitting, Underfitting, Validierung
  • Modell-Training: Stichprobenbildung, Resampling
  • Parametertuning und Optimierung
• Anwendung & Demonstration typischer Business-Szenarien
  • Regression zur Schätzung von Kennzahlen
  • Klassifikation für Entscheidungsprozesse
  • Clustering zur Kundensegmentierung
  • Empfehlungsmaschinen für Cross-Selling
  • Reinforcement Learning für Dynamic Pricing
• Praxisübungen - Eigene Modellentwicklung
  • Entwicklung eigener Modelle entlang des KI-Vorgehensmodells
  • Anwendung von Python, Scikit-Learn und TensorFlow
  • Ergebnisdiskussion und Bewertung der Modelle
• Integration in die Unternehmenspraxis
  • Von Pilotprojekten zu skalierbaren KI-Lösungen
  • Performanzaspekte, Wartung, Weiterentwicklung
• Ausblick und Trends
  • Multimodale KI-Systeme
  • Generative Modelle im Business-Kontext
  • Natural Language Processing & Entscheidungsautomation