Künstliche Intelligenz (KI) Einführung, Möglichkeiten und Grenzen von KI im Anwendungsbereich Industrie 4.0, Sensordaten, Robotik - Schulung (2 Tage)

Kurzbeschreibung

Die Teilnehmer lernen an zwei Tagen verschiedene Aspekte und Strategien zur Anwendung und Programmierung von Künstlicher Intelligenz (KI) kennen:
Grundlegende Ideen und Prinizipien, Decision Trees, Categorized Data Exploration and Prognosis, Maschine Learning, Random Forest, Data Akquisition and Analysis, Computer Aided Resource Management.

Im Umgang mit großen, oft anscheinend unstrukturierten Datenmengen (Big Data) scheitert die strukturierte Auswertung mit herkömmlichen statischen Methoden oft bereits bei der Modellentwicklung.
Regressionsanalysen oder multifaktorielle Varianzanalysen spielen ihre Stärken dort aus, wo die spätere Datenanalyse bereits die Planung der Datenerhebung bestimmt hat - im klassischen wissenschaftlichen Experiment. Diese Voraussetzung trifft auf gewachsene Datenbestände in Unternehmen ebenso selten zu wie auf Sensordaten, wie sie in automatischen Steuerungen, Robotik oder im Automotiv-Bereich anfalllen.
Lückenhafte, unübersichtliche Datenlagen mit unklaren oder wechselnden Abhängigkeiten und Interaktion sind das Feld, in dem KI, Spieletheorie und Maschine Learning mit probilistischen und heuristischen Problemlösungsansätzen das Feld des Data Mining bestimmen.

In dem Kurs werden die Grundlagen derartiger Strategien aufgezeigt und anhand konkreter Beispiele angewendet.
Das Seminar orientiert sich im Vorgehen grob an den exzellenten Vorlesungsreihen von Marvin Minsky und Patrick Winston, beide MIT Computer Science and Artificial Intelligence Laboratory.

Hinweis: Die Unterlagen zum Seminar beschränken sich auf die verwendeten Slides und Beispiele ohne ergänzende Dokumentation. Hinweise auf geeignete Literatur und online Ressourcen werden im Kurs erwähnt.

Voraussetzungen

• keine

Seminarinhalt

Tag 1:

Wie kann man Computern beibringen, aus Daten, Vorerfahrungen und ad-hoc-Information Schlüsse (auf analoge Problemlagen) zu ziehen?

Decision Trees: Entscheidungsbäume als Lösungsmuster, Optimierungsstrategien für naive Entscheidungswege, Regelsätze für „Experten“ Systeme.

Minimax und Co: Computer lernen spielen oder Wie man Computern eine Strategie beibringt.

Identification Trees: Ermittlung und Wichtung dominanter Datenelemente für die Kategorisierung von Daten.

„Self programming algorithms“ - Wenn Programme lernen, sich selbst weiterzuentwickeln.
Ein Einstieg ins maschine learning.

Tag 2:

User aided computing in maschine learning:
Methodenüberblick (Support Vector Maschines, Adaboost, Random Forest)
Vertiefung anhand Random Forest (Leo Breiman et al.): Beispiele mit Datensets für Training und Testphase

Ressourcen managen am Beispiel der Programmierung eines Raumbelegungsplanes

Diskussion von Chancen und Grenzen der KI.

Teilnehmer: Feedback zum Seminar

Zielgruppen

• Einsteiger in die Anwendung des machine learning und computer aided decision making aus allen Unternehmensbereichen
• Management
• Business IT
• Programmierer
• Data Scientist
• Business Analyst

Preise und Termine

Seminarsprache

die Seminarsprache ist deutsch, sofern keine andere Angabe. Englisch ist in aller Regel machbar, andere Seminarsprachen sind möglich, fragen Sie bitte an.