Zertifikat der Hochschule - Machine Learning - Seminar / Kurs von Steinbeis School of Management and Technology

ML - Algorithmen

• Satz von Bayes, Bayes-Klassifikatioren, Verteilungen und Unabhängigkeit
• Lineare Modelle und Lazy Learning (Vektorräume, k-Nearest-Neighbor)
• Entscheidungsbäume (Klassifikations- u. Regressionsbäume, Random Forest, XGBoost,)
• Ein- und mehrschichtige Feedforwar-Netze (Einlagiges und Multilayser Perception, Gradientenverfahren)
• Deep Neural Networks (Deep Learning, CNN, GAN´s, RNN´s, NLP, Einsatz von Frameworks)
• Feature-Reduktion und -Auswahl (Aufbereitung von Daten, Featureauswahl, Hauptkomponentenanalyse (PCA))
• Support Vector Machines SVM
• Clustering-Verfahren (K-Means, Fuzzy, Hierachische Clusteranalyse.
• Bestärkendes Lernen (Markow, Q-Learning, SARSA)
• Overfitting und Pruning

ML - Anwendungen

• Data Preparation mit pandas
• Anomalieerkennung in Zeitreihendaten
• Objekterkennung mit CNN
• Chatbot mit NLP
• Beispiel Reinforcement Learning
• Image Classifier
• Face Recognizer
• Warenkorbanalyse
• Sales Forecasting
• Deep Learning
• ML-Cloud-Services ( MS Azure, IBM, Google, AWS)

Dozent: Prof. Dr. Axel LamprechtWissenschaftlicher Leiter des Bereichs Wirtschaftsinformatik und verantwortlich für den Entwurf und die Weiterentwicklung der Studiengänge Bachelor of Science und Master of Science in Wirtschaftsinformatik sowie Promotionen auf Basis der gestaltungsorientierten Wirtschaftsinformatik.Expertisen: Datenbanksysteme, Business Intelligence, Digitale Geschäftsprozesse

Wissensverbreiterung

• Kenntnisse über die wesentlichen Entwicklungstrends im Bereich Machine Learning
• Kenntnisse über Nutzwertkriterien von Machine Learning-Anwendungen.
• Erweiterung der Kompetenzen zur methodischen Durchführung von Machine Learning-Projekten.

Wissensvertiefung

• Fähigkeit, eigenständig Machine Learning-Methoden mit entsprechenden Tools anwendungsorientiert planen und durchführen zu können.
• Fähigkeit, die passenden Methoden kennenlernen und auswählen zu können.
• Steigerung der Fähigkeiten in Bezug auf unternehmerisches Denken und Handeln, um den unternehmerischen Nutzen in Form von Kosteneinsparungen und/oder Umsatzsteigerungen von Machine Learning zu beurteilen.

Wissensverständnis

• Fähigkeit, erworbenes Wissen durch die obligatorischen Transferprojekte bzw. Transferarbeiten des Studiums auf passende Unternehmensbereiche anwenden zu können.
• Kompetenz, um Machine Learning-Projekte in Teams mit heterogenem Vorwissen interdisziplinär lösen zu können.

Teilnahmevoraussetzungen:

• Das Modul ist ohne Vorkenntnisse studierbar.

Prüfungsleitung:

• Case oder Transferarbeit (6-8 Seiten) oder Klausur (60 min.)
• Seminar mit Zertifikat (5 CP) / inklusive Transferarbeit

Verwendbar im Masterstudiengang Business Engineering der Steinbeis Hochschule SMT