Erfolgreicher Einstieg in Machine Learning: Praxistipps für die ersten 100 Tage

In diesem Jahr konzentriert sich unser Online-Event NEXT STEP FORWARD auf die entscheidenden Praxistipps und Empfehlungen für die ersten 100 Tage Ihres ersten oder nächsten Machine Learning-Projekts.

Erfahren Sie von unseren Top-Referenten, wie Sie den Einstieg in das Thema Machine Learning organisieren können. Profitieren Sie von unseren Blaupausen, die Sie zielgerichtet bei der Konzeptionierung unterstützen werden. Nutzen Sie den Erfahrungsbericht, um in Zukunft Hindernisse frühzeitig zu vermeiden und nachhaltige Inspiration zu gewinnen. Wir zeigen Ihnen, welche Voraussetzungen Ihr Datenmanagement erfüllen sollte und stellen dabei bestbewährte Architekturen vor. Wie dies alles auch in einer AWS-Cloud funktionieren kann, rundet unser spannendes 90-minütiges Angebot für Sie ab.

Agenda

Die Allgegenwart von Maschinellem Lernen: Die Frage ist nicht ob sondern wann

Referent von QuinScape GmbH: Dr. Gero Presser

Maschinelles Lernen wird heute immer mehr zum Mainstream. Bis vor wenigen Jahren waren selbstlernende Programme hauptsächlich ein Thema an Universitäten. Heute spielt Machine Learning zunehmend eine immer wichtigere Rolle bei Produkten und Dienstleistungen.

Das Geschäftsleben wird immer stärker von Maschine Learning beeinflusst und vorangetrieben. Die Möglichkeiten und Leistungsfähigkeiten sind dabei vielfältig und flexibel.

Selbstlernende Maschinen können so, schneller als Menschen Schäden oder Fehlermuster in der Fertigung erkennen. Die Fähigkeit, komplexe Zusammenhänge zwischen der Ein- und der Ausgabe von großen Datenmengen verarbeiten zu können, ist nur einer der großen Pluspunkte von Machine Learning.

Daher lautet die Frage nicht, ob Machine Learning Ihre Branche erreichen wird, sondern wann Sie am besten die Vorzüge für Ihr Unternehmen erkennen und den vielfältigen Möglichkeiten Gebrauch machen.

Die ersten 100 Tage Data Science und darüber hinaus: Wie man den Einstieg in Maschinelles Lernen organisiert

Referent von ixto: Dr. Simon Birkholz

Durch ihre technische Komplexität und oft nur grob abschätzbaren Erfolgsaussichten stellen Data Science-Projekte eine unüberschaubare planerische Herausforderung dar. Neben Fragen zu Datenhandhabung und Modell-Entwicklung muss ein Gesamtkonzept für ein praxisfähiges Projekt geschaffen werden. Für diesen langfristigen Erfolg sind besonders die ersten Schritte von kritischer Wichtigkeit. Dank zunehmender Erfahrung sind ML- und KI-Projekte allerdings immer zuverlässiger zu bewältigen.

In diesem Beitrag führen wir Sie durch die Blaupause Ihres nächsten Data Science-Projektes. Wir freuen uns darauf erprobte Konzepte zu diskutieren und uns mit Ihnen über Ihre Erfahrungen auszutauschen.

Wie wir Machine Learning erfolgreich eingeführt haben: Ein Erfahrungsbericht mit Praxistipps für die Konzeption

Referentin von ixto: Franziska Rupprecht

Das erste Data Science-Projekt stellt für Unternehmen jeder Größe eine besondere Herausforderung dar. Oft müssen Experten unterschiedlichster Bereiche, von der Firmen-IT bis zur Fachabteilung, eingebunden werden. Durch diese besondere Komplexität sind bewährten Methoden aus der Softwareentwicklung oft nicht ausreichend, um ein Data Science-Projekt zu konzeptionieren.

In diesem Beitrag beschreiben wir die Konzeption eines Machine Learning-Projektes von der Formulierung der Aufgabe, über agilen Teamorganisation, bis hin zur Einbindung in die fertige Applikation. Lernen Sie am Beispiel überwundener Hindernisse und finden Sie Inspiration an bereits bewährten Lösungsansätzen.

Warum Datenmanagement und Datenqualität entscheidend für erfolgreiches Machine Learning sind

Referent von QuinScape: Phil Moston

Datenmanagement und insbesondere verlässliche Daten sind die Grundvoraussetzung für Machine Learning. Im Vortrag erläutern wir, welche Fallstricke es hierbei gibt und welche Architekturen und Vorgehensweisen derzeit best practice sind und wie sich die klassische Business Intelligence Welt mit dem Bereich Data Science erfolgreich verbinden lässt.

Wie die Technik mit den richtigen Werkzeugen zur Nebensache wird: AWS als Cloud Data Platform für Machine Learning

Referent von AWS: Christian Elsenhuber

Machine Learning im Produktivbetrieb einsetzen klingt toll, viele Unternehmen kommen über das Experimentieren aber nicht hinaus. Im Vortrag beleuchten wir wie man mit den vielfältigen Diensten, die AWS im Bereich Machine Learning und allgemein Data Management bereitstellt, schnell und kosteneffizient zu Ergebnissen kommt.

Lessons learned: Praxistipps und Empfehlungen für den erfolgreichen Einstieg in Machine Learning

Referenten von QuinScape GmbH: Christian Schneider, Dr. Gero Presser

Wir rekapitulieren die Veranstaltung, fassen die wichtigsten Erkenntnisse nochmal zusammen und geben einen Ausblick für die nächsten Schritte.

Referenten