8
Methoden empirischer Forschung (Subject) / Data Science in der Industrie und Machine Learning (Lesson)
- Stufen von Data Science 1. Was passiert? Datenaufbereitung, um Geschäftsprozess genau zu analysieren, deskriptive und explorative Analyse sowie grafische Darstellung Bspw. Y (Qualitätsproblem) und X (potentielle Einflussfaktoren auf Y) 2. Warum ist es passiert? Welche Faktoren beeinflussen das Ergebnis, wie ändert sich dieses, wenn einen Faktor ändere? Regressionsmodelle Y = f(X) 3. Was wird passieren? Risikobasierte Warnungen Yt+1 = f(Xt) 4. Was sollte ich tun? Entscheidungsunterstützung
- Wo wird Machine Learning angewandt? Dort, wo Menschen versuchen, Wissen in Regeln zu kodieren, also dort, wo Entscheidungen automatisiert getroffen werden und von einer Vielzahl von Daten abhängen.
- Machine Learning 1. Regeln und Daten ---------> klasssiches Programmieren ----------> Antworten 2. Daten und Antworten ------> Machine Learning -------------> Regeln klassisches Programmieren wirkt sich direkt auf das Machine Learning aus
- Generisches Vorgehen Basierend auf Lerndaten (wir kennen X und Y) Input Xt-1 ----------> Modell f(X) (durch einen Algorithmus bestimmt) ------------> Output Yt - Mögliche Inputs: Kundendaten, Sensordaten, Technikerberichte - Mögliche Outputs: Fahrzeugschäden im aktuellen Monat !!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!! -> durch oben genanntes Modell kann ein neues Modell entworfen werden (auf Basis von Neuen Daten), um bspw. Y so genau wie möglich vorherzusagen, wobei X bekannt ist Input Xt ---------------------> Modell f(X) ----------------------> Output Yt+1 Output hier bspw. Fahrzeugschäden im kommenden Monat
- 4 V´s of Big Data 1. Velocity (Geschwindigkeit der Datenströme) 2. Variety (Variabilität der Daten) 3. Veracity (Qualität der Datenströme) 4. Volume (Menge an Daten)
- Was bringt Machine Learning? Zukunft vorhersagen: Verbessert bisherige Vorhersagen, bspw. durch Selektion von erfolgreichen Arzneimittelkandidaten Zukunft beeinflussen: Kausalitäts-orientierte Analyse benötigt menschliche Intuition
- Schritte beim Data Engineering 1. Datenbereinigung- und transformation 2. Einbindung neuer Datenquellen 3. Feature Engineering 4. Modell
- Was versteht man unter "Machine Learning"? künstliche Generierung von Wissen aus Erfahrung, d.h. eine KI lernt aus Beispielen und kann nach Beendigung der Lernphase verallgemeinern. Durch Algorithmen wird ein statistisches Modell aufgestellt, das auf Lerndaten beruht. Es werden durch die KI Muster und Gesetzmäßigkeiten in den Lerndaten erkannt. Ergebnis: Lerntransfer (System kann unbekannte Daten beurteilen) oder das System scheitert am Lernen unbekannter Daten. Ziel: Zusammenhänge in Daten erkennen, daraufhin Rückschlüsse ziehen und somit Vorhersagen treffen Machine Learning besteht aus 4 Komponenten: (Kreislauf) 1. Modell: System, das Vorhersagen und Identifikationen trifft 2. Prognose 3. Lernendes System: System, welches Parameter anpasst und somit auch das Modell, indem es Unterschiede zw. den Prognosen und den tatsächlichen Ergebnissen anschaut 4. Parameter: Faktoren, die vom System genutzt werden, um Entscheidungen zu treffen
Advertisement