Crashkurs KI im Unternehmen
Alles, was Sie über Data Science wissen müssen
Zusammenfassung
Das Thema künstliche Intelligenz ist in aller Munde. Wie kann auch Ihr Unternehmen KI nutzen und davon profitieren? Dieses Buch bietet anhand eingängiger Beispiele eine pragmatische Einführung in dieses spannende Themenfeld. Der Autor setzt den Fokus auf ein Verständnis der grundlegenden Begriffe und Konzepte sowie der praktischen Durchführung von KI-Projekten. Dabei werden Sie durch Glossare und Checklisten tatkräftig unterstützt. So können Sie die Ergebnisse von KI-Projekten kompetent beurteilen, die richtigen Fragen stellen und fundiert entscheiden.
Inhalt:
Grundlagen maschinelles Lernen und Buzzwords
KI-Projektmanagement: Struktur, Planung, Ziele
Aufbereitung und Visualisierung der Daten, um wertvolle Einsichten zu gewinnen
KI nutzen, um Ereignisse und Entwicklungen zu prognostizieren bzw. ungewöhnliche Konstellationen zu erkennen
Nachhaltige produktive Umsetzung von KI im Unternehmen
Mit Checklisten und umfangreichem Glossar
- 1–8 Titelei/Inhaltsverzeichnis 1–8
- 9–12 1 Einleitung 9–12
- 1.1 Zielsetzung des Buchs
- 1.2 Aufbau des Buchs
- 13–34 2 Grundlagen 13–34
- 2.1 Buzzwords
- 2.1.1 Künstliche Intelligenz
- 2.1.2 Expertensysteme
- 2.1.3 Maschinelles Lernen
- 2.1.4 Künstliche neuronale Netze
- 2.1.5 Deep Learning
- 2.1.6 Big Data
- 2.1.7 Internet of Things
- 2.1.8 Prädiktive Analyse
- 2.2 Maschinelles Lernen
- 2.2.1 Klassifikation
- 2.2.2 Regression
- 2.2.3 Zeitreihenprognose
- 2.2.4 Clustering/Segmentierung
- 35–48 3 KI-Projektmanagement 35–48
- 3.1 Projektstruktur
- 3.1.1 CRISP-DM
- 3.1.2 Die einzelnen Phasen des CRISP-DM
- 3.2 Projektziel definieren
- 3.3 Rollen und Aufgaben
- 3.3.1 Entscheider
- 3.3.2 Projektleiterinnen
- 3.3.3 Dateningenieur
- 3.3.4 Datenwissenschaftlerinnen
- 3.4 Infrastruktur
- 3.4.1 Hardware
- 3.4.2 Software
- 3.4.3 Lokale Lösungen oder Plattformen
- 3.5 Checkliste KI-Projektmanagement
- 49–70 4 Explorative Analyse 49–70
- 4.1 Darstellungsarten
- 4.2 Lage
- 4.2.1 Mittelwert
- 4.2.2 Median
- 4.2.3 Histogramm
- 4.2.4 Modus
- 4.3 Streuung
- 4.3.1 Quantile
- 4.3.2 Box Plot
- 4.4 Zusammenhänge
- 4.4.1 Korrelation
- 4.4.2 Häufigkeitsmatrix
- 4.4.3 Grand Tour
- 4.5 Checkliste Explorative Analyse
- 71–86 5 Daten vorbereiten 71–86
- 5.1 Problemarten
- 5.1.1 Fehlwerte
- 5.1.2 Ungültige Einträge
- 5.1.3 Unplausible Einträge
- 5.1.4 Abweichende Schreibweisen
- 5.1.5 Duplikate
- 5.1.6 Widersprüchliche Einträge
- 5.2 Fehler bereinigen
- 5.3 Unstrukturierte Daten
- 5.3.1 Vektorraum-Modell
- 5.3.2 n-Gramme
- 5.4 Eigenschaften auswählen
- 5.5 Checkliste Daten vorbereiten
- 87–104 6 Klassifikation 87–104
- 6.1 Entscheidungsbaum
- 6.1.1 Trainingsdatensatz
- 6.1.2 Testdatensatz
- 6.2 Reinforcement Learning
- 6.3 Evaluation
- 6.3.1 Wahrheitsmatrix
- 6.3.2 Fallstudie »Deep Predictive Maintenance«
- 6.3.3 Fallstudie »Erweiterter Datensatz«
- 6.3.4 Ermittlung des unternehmerischen Nutzens
- 105–116 7 Regression 105–116
- 7.1 Lineare Regression
- 7.1.1 Bestimmtheitsmaß
- 7.1.2 Multiple lineare Regression
- 7.1.3 Abweichung
- 7.2 Künstliche neuronale Netze
- 7.2.1 Feed-Forward Netz
- 7.2.2 Rekurrente neuronale Netze
- 117–134 8 Clustering 117–134
- 8.1 k-Means Clustering
- 8.2 Hierarchisches Clustering
- 8.3 Checkliste Modellbildung und Evaluation
- 135–142 9 Produktive Umsetzung 135–142
- 9.1 Implementierung
- 9.1.1 Dashboards
- 9.1.2 Empfehlungssysteme
- 9.1.3 Automatisierte KIs
- 9.2 Testen und Überwachen
- 9.3 Checkliste produktive Umsetzung
- 143–148 10 Erklärbare künstliche Intelligenz 143–148
- 10.1 Verfahren
- 10.1.1 Erklärbares (Vertreter-)Modell
- 10.1.2 Ungewöhnliche Eingabewerte
- 10.1.3 Lokal interpretierbare, modellunabhängige Erklärung
- 10.2 Chancen und Risiken erklärbarer KI
- 149–152 11 Fazit 149–152
- 11.1 Rückblick
- 11.1.1 Grundlagen künstlicher Intelligenz
- 11.1.2 KI-Projektmanagement
- 11.1.3 Beurteilungskompetenz
- 11.2 Ausblick
- 153–158 Glossar 153–158
- 159–160 Literaturverzeichnis 159–160
