Seminar Data Science in der Praxis für Führungskräfte aus Wirtschaft und Verwaltung

Dozent: Dr. Franz-Josef Toelle

 980,00

Zzgl. 19% MwSt.
Auswahl zurücksetzen

Das Seminar Data Science in der Praxis für Führungskräfte aus Wirtschaft und Verwaltung bietet eine komprimierte Einführung in die wichtigsten Konzepte, Modelle, Werkzeuge, Metriken und Techniken von Data Science, die die Geschäftslandschaft verändert haben und für nützliche datengesteuerte Entscheidungen unerlässlich sind. Durch eine Kombination aus Vorträgen, Fallbeispielen und praktischem Lernen bietet dieser Kurs eine Übersicht über die grundlegenden Techniken des Data Science und dessen Anwendung in der Industrie als da sind Root Cause Analysis, Prädiktive Wartung, Rezepturoptimierung und verbesserte Bedarfsprognose. Die Kursgebühr beinhaltet die Kursmaterialien, ein Mittagessen, Erfrischungssnacks und Getränke. Sie können per Überweisung oder auf Rechnung zahlen (weitere Infos).

Artikelnummer: DSF Kategorien: , ,

Beschreibung

Die Schulung bietet eine komprimierte Einführung in die wichtigsten Konzepte, Modelle, Werkzeuge, Metriken und Techniken von Data Science, die die Geschäftslandschaft verändert haben und für nützliche datengesteuerte Entscheidungen unerlässlich sind. Durch eine Kombination aus Vorträgen, Fallbeispielen und praktischem Lernen bietet dieser Kurs eine Übersicht über die grundlegenden Techniken des Data Science und dessen Anwendung in der Industrie als da sind Root Cause Analysis, Prädiktive Wartung, Rezepturoptimierung und verbesserte Bedarfsprognose.

Zielgruppe: Dieser Kurs zielt insbesondere auf jene Führungskräfte ab, die die Möglichkeit sehen, Data Science im Geschäftsleben einzusetzen, aber entweder nicht über die Fähigkeiten, die Zeit oder den Hintergrund verfügen, sich selbst damit zu befassen. Der Zweck des Kurses besteht darin, das Potenzial von Data Science sowie seine praktischen Auswirkungen und Hindernisse bei der Umsetzung zu beschreiben.

Voraussetzungen: Es werden für den Kurs weder Computerkenntnisse noch Grundkenntnisse in der Mathematik vorausgesetzt.

Lernziele:

  • Kennenlernen verschiedener Data Science- Techniken und ihre Anwendbarkeit in der Industrie anhand von Fallstudien.
  • Ein umfassendes Verständnis der Kernkonzepte und -methoden von Data Science, einschließlich Datenmanagement, Datenanalyse, Maschinelles Lernen und statistisches Lernen.
  • Durchführung und Interpretation grundlegender Data Science Aktivitäten (z.B. grundlegender Hypothesentest), um die statistische Signifikanz und ihre Auswirkungen zu verstehen
  • grundlegende Experimente des Maschinellen Lernens, um zu verstehen, was Maschinelles Lernen ist und wie man seine Ergebnisse interpretiert.
  • Verstehen verschiedener Arten von Problemen, die Verfahren des Data Science zur Lösung nutzen können.
  • Verschaffen eines intuitiven Verständnisses einiger der uns heute zur Verfügung stehenden Maschinellen Lerntechniken – ihrer Stärken und Grenzen
  • Die Fähigkeit, Beweise aus dem statistischen Lernen und Data Science zu bewerten, um fundierte Entscheidungen zu treffen.
  • Praktisches und angewandtes Wissen durch Anwendungen aus Wirtschaft und Industrie.

Übungen: Nach Vorstellung der Algorithmen und Fallbeispiele wird ein Brainstorming durchgeführt, wie ggf. einige dieser Techniken auf aktuelle Probleme der Teilnehmer angewandt werden könnten.

Dauer: Die Seminardauer beträgt einen Tag. Im Anschluss und in der Pause ist Gelegenheit zum Networking gegeben.

Leistungen: Schulungsräume in zentraler Lage, 2-20 Teilnehmer pro Veranstaltung, Unterricht 9-16:30 Uhr, gedruckte Schulungsunterlagen, ein Zertifikat mit den Schulungsinhalten und Mittagessen, Erfrischungssnacks und Getränke in den Pausen

Agenda des Seminars Data Science in der Praxis für Führungskräfte aus Wirtschaft und Verwaltung

  • Alles, was Sie schon immer über Maschinelles Lernen wissen wollten (aber sich nicht getraut haben zu fragen):
    • Das Vokabular der statistischen Analyse
    • Kernkonzepte statistischer Methoden und des Maschinellen Lernens
    • Clustering Verfahren
    • Entscheidungsbäume
    • Kernmethoden des überwachten und des unüberwachten Maschinellen Lernens
    • Neuronale Netze und “Deep Learning”
    • Gängige Werkzeuge, die beim Maschinellen Lernen verwendet werden
    • Wie man Plots und Datenvisualisierungen liest
  • Anwendungsfälle
    • Vorhersage und Ursachenfindung von Lieferterminverletzungen und Out-of-Stock-Ereignissen, Verbesserte Bedarfsprognosen, Rezepturoptimierung verfahrenstechnischer Produktion, Preisoptimierung, Prädiktive Wartung, Nachfrageprognose unter Verwendung makroökonomischer Faktoren, Rechnungsprüfung, Automatisierung von Verwaltungsabläufen, …