| Kursbeschreibung (description): |
Teilnehmer, die Predictive Analytics mit Machine Learning in reale Prozesse integrieren wollen, erhalten einen praxisnahen Einstieg: von Problemformulierung über Datenaufbereitung und Modellierung bis Evaluierung und Betrieb. Als wiederverwendbares Muster werden Zeitreihen-Forecasting, Risikoprognosen, Anomalie-Erkennung und Predictive Maintenance behandelt. USP: End-to-End-Pipeline in Python mit Backtesting, Leakage-Vermeidung, Monitoring, Drift und Nachtrainieren.
|
|
| Zielgruppe (target group): |
Das Training AI400 Predictive Maintenance in der Industrie mit Machine Learning richtet sich an:
- Entwickler, Data Analysts, Data Scientists (Einsteiger bis Intermediate)
- IT Fachkräfte/Engineers, die Predictive Analytics Use Cases umsetzen oder begleiten
- Fachverantwortliche mit technischem Hintergrund (e. g. Produktion, Instandhaltung, Qualität, Energie)
|
|
| Voraussetzungen (requirements): |
Um dem Lerntempo und den Inhalten des Trainings AI400 Predictive Maintenance in der Industrie mit Machine Learning gut folgen zu können, sind folgende Vorkenntnisse erforderlich:
- Grundlagen in Python
- Basisverständnis von Machine Learning (Train/Test, Overfitting, Metriken)
|
|
| Ziele (objectives): |
Nach dem Kurs AI400 Predictive Maintenance in der Industrie mit Machine Learning können Teilnehmer Predictive-Analytics-Problemtypen sicher unterscheiden (z. B. Forecasting vs. Risiko-Scoring vs. Anomalien), Zeitreihen- und Sensordaten robust aufbereiten und modellierbar machen, Feature Engineering und Modellwahl systematisch durchführen und dabei Baselines sinnvoll nutzen sowie die Evaluierung korrekt aufsetzen (inkl. Backtesting und Leakage-Vermeidung) und die Ergebnisse fundiert interpretieren.
|
|
| Preis und Dauer (price and duration): |
Dauer (duration): 3 Tage
Preis (price): 2450,- Euro zzgl. MwSt.
Eine Druckansicht dieses Workshops finden Sie hier.
|
|
| Termine (dates): |
Dieser Workshop findet an folgenden Terminen statt:
|
|
|
| Inhalte (agenda): |
- Predictive Analytics Basics & Datenverständnis
- Predictive Analytics Überblick: Problemtypen & Use Case Kategorien
- Statistik und Datenfundament:
- Verteilungen
- Korrelation vs. Kausalität
- Signal/Rauschen
- Typische Fallstricke
- Datenquellen & Datenqualität:
- Sensor /Zeitreihendaten
- Ereignisdaten
- Stammdaten
- Kontextdaten
- Zeitreihen Grundlagen:
- Sampling
- Missing Values
- Outlier
- Trend/Saisonalität
- Aggregation
- Hands on Lab: Datenprofiling & Aufbereitung einer Zeitreihe (Cleaning, Resampling, Feature Basis)
- Modellierung & Evaluation (was „gute Vorhersage“ wirklich heißt)
- Feature Engineering für Zeitreihen:
- Lags
- Rolling Windows
- Kalenderfeatures
- Zustandsfeatures
- Modellfamilien:
- klassische ML Modelle für Prognosen/Risikoscores (e. g. Gradient Boosting/Random Forest)
- Baselines & einfache Forecasting Modelle (als Referenz)
- Einordnung von Deep Learning für Sequenzen (optional, je nach Gruppe)
- Evaluation richtig aufsetzen:
- Train/Test bei Zeitreihen
- Backtesting
- Leakage vermeiden
- Metriken & Interpretation:
- MAE/RMSE/MAPE
- Precision/Recall
- ROC AUC
- Hands on Lab: Modellvergleich + Backtesting + Fehleranalyse
- Von der Vorhersage zur Anwendung (Operationalisierung & Best Practices)
- Von „Prediction“ zu „Decision“:
- Schwellenwerte
- Kosten/Nutzen
- „sanity checks“
- Betrieb & Weiterentwicklung:
- Drift Signale
- Monitoring
- Re Training Strategie
- Versionsmanagement
- Integration in Prozesse:
- Batch vs. near real time
- Schnittstellen
- Reporting/BI Anschluss
- Capstone Übung:
- Mini Use Case als End to End Blueprint inkl. Metriken
- Monitoring Idee und Next Steps
|
|
|
