Crashkurs KI im Unternehmen: Alles, was Sie über Data Science wissen müssen

Stephan Matzka

doi:10.34157/9783648149225

Search publication

Bibliographic data

Edition: 1/2021
Copyright Year: 2021
ISBN-Print: 978-3-648-14920-1
ISBN-Online: 978-3-648-14922-5
Publisher: Haufe Lexware, Freiburg
Language: German
Pages: 160
Product Type: Monograph

Titelei/Inhaltsverzeichnis No access Pages 1 - 8
1. 1.1 Zielsetzung des Buchs No access
2. 1.2 Aufbau des Buchs No access
1. 1. 2.1.1 Künstliche Intelligenz No access
  2. 2.1.2 Expertensysteme No access
  3. 2.1.3 Maschinelles Lernen No access
  4. 2.1.4 Künstliche neuronale Netze No access
  5. 2.1.5 Deep Learning No access
  6. 2.1.6 Big Data No access
  7. 2.1.7 Internet of Things No access
  8. 2.1.8 Prädiktive Analyse No access
2. 1. 2.2.1 Klassifikation No access
  2. 2.2.2 Regression No access
  3. 2.2.3 Zeitreihenprognose No access
  4. 2.2.4 Clustering/Segmentierung No access
1. 1. 3.1.1 CRISP-DM No access
  2. 3.1.2 Die einzelnen Phasen des CRISP-DM No access
2. 3.2 Projektziel definieren No access
3. 1. 3.3.1 Entscheider No access
  2. 3.3.2 Projektleiterinnen No access
  3. 3.3.3 Dateningenieur No access
  4. 3.3.4 Datenwissenschaftlerinnen No access
4. 1. 3.4.1 Hardware No access
  2. 3.4.2 Software No access
  3. 3.4.3 Lokale Lösungen oder Plattformen No access
5. 3.5 Checkliste KI-Projektmanagement No access
1. 4.1 Darstellungsarten No access
2. 1. 4.2.1 Mittelwert No access
  2. 4.2.2 Median No access
  3. 4.2.3 Histogramm No access
  4. 4.2.4 Modus No access
3. 1. 4.3.1 Quantile No access
  2. 4.3.2 Box Plot No access
4. 1. 4.4.1 Korrelation No access
  2. 4.4.2 Häufigkeitsmatrix No access
  3. 4.4.3 Grand Tour No access
5. 4.5 Checkliste Explorative Analyse No access
1. 1. 5.1.1 Fehlwerte No access
  2. 5.1.2 Ungültige Einträge No access
  3. 5.1.3 Unplausible Einträge No access
  4. 5.1.4 Abweichende Schreibweisen No access
  5. 5.1.5 Duplikate No access
  6. 5.1.6 Widersprüchliche Einträge No access
2. 5.2 Fehler bereinigen No access
3. 1. 5.3.1 Vektorraum-Modell No access
  2. 5.3.2 n-Gramme No access
4. 5.4 Eigenschaften auswählen No access
5. 5.5 Checkliste Daten vorbereiten No access
1. 1. 6.1.1 Trainingsdatensatz No access
  2. 6.1.2 Testdatensatz No access
2. 6.2 Reinforcement Learning No access
3. 1. 6.3.1 Wahrheitsmatrix No access
  2. 6.3.2 Fallstudie »Deep Predictive Maintenance« No access
  3. 6.3.3 Fallstudie »Erweiterter Datensatz« No access
  4. 6.3.4 Ermittlung des unternehmerischen Nutzens No access
1. 1. 7.1.1 Bestimmtheitsmaß No access
  2. 7.1.2 Multiple lineare Regression No access
  3. 7.1.3 Abweichung No access
2. 1. 7.2.1 Feed-Forward Netz No access
  2. 7.2.2 Rekurrente neuronale Netze No access
1. 8.1 k-Means Clustering No access
2. 8.2 Hierarchisches Clustering No access
3. 8.3 Checkliste Modellbildung und Evaluation No access
1. 1. 9.1.1 Dashboards No access
  2. 9.1.2 Empfehlungssysteme No access
  3. 9.1.3 Automatisierte KIs No access
2. 9.2 Testen und Überwachen No access
3. 9.3 Checkliste produktive Umsetzung No access
1. 1. 10.1.1 Erklärbares (Vertreter-)Modell No access
  2. 10.1.2 Ungewöhnliche Eingabewerte No access
  3. 10.1.3 Lokal interpretierbare, modellunabhängige Erklärung No access
2. 10.2 Chancen und Risiken erklärbarer KI No access
1. 1. 11.1.1 Grundlagen künstlicher Intelligenz No access
  2. 11.1.2 KI-Projektmanagement No access
  3. 11.1.3 Beurteilungskompetenz No access
2. 11.2 Ausblick No access
Glossar No access Pages 153 - 158
Literaturverzeichnis No access Pages 159 - 160