Künstliche Intelligenz im Business: Von Daten zu Mehrwert in Köln

• 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

LernzieleSie 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.ZielgruppenDas Seminar richtet sich an Data Scientists, Datenanalyst:innen, technische Projektleiter:innen, IT-affine Fachkräfte sowie alle, die den praktischen Einsatz von Machine Learning im Unternehmen vertiefen möchten.Sie benötigen:

• Grundkenntnisse in Python (Syntax, einfache Datenmanipulation)
• Erste Erfahrung im Umgang mit Daten (z. B. Excel, Datenbanken, BI-Tools) ist hilfreich, aber nicht zwingend