Workbook - Digitale Transformation des Qualitätsmanagements

Name: Workbook - Digitale Transformation des Qualitätsmanagements | Data-Science-Innovationen erfolgreich umsetzen
Brand: Hanser
Price: 59.99 EUR
Availability: OnlineOnly

Data-Science-Innovationen erfolgreich umsetzen

Oliver Jöbstl Jürgen Lipp Manfred Strohrmann(Autor*in)

Hanser (Verlag)

1. Auflage

Erschienen am 8. Juli 2024

164 Seiten

E-Book

PDF mit Wasserzeichen-DRM

Systemvoraussetzungen

978-3-446-48043-8 (ISBN)

59,99 €inkl. 7% MwSt.

Systemvoraussetzungen

für PDF mit Wasserzeichen-DRM

E-Book Einzellizenz

Als Download verfügbar

Beschreibung

Weitere Details

Weitere Ausgaben

Personen

Inhalt

Intro
Inhalt
1 Warum dieses Workbook?
2 Einführung in Data Science
2.1 Arten von Use Cases
2.2 Machine Learning und künstliche Intelligenz
2.3 Typische Anwendungsfälle von Machine Learning
3 Vorgehensmodell
4 Die richtigen Use Cases finden und verstehen
4.1 Prozess identifizieren und abgrenzen
4.2 Stakeholder-Anforderungen verstehen
4.3 Prozessorientierte Use-Case-Ideen ableiten
4.4 Produkt- und serviceorientierte Use Cases finden
4.5 Use-Case-Ideen priorisieren
4.6 Use Cases aus Kundensicht detaillierter beschreiben
4.7 Business Case beschreiben und Business-Ziele präzisieren
4.8 Use Cases final bewerten und auswählen
5 Business-Ziele ableiten und Projekt planen
5.1 Agile Projektorganisation aufsetzen
5.2 Use Case im Ablauf detailliert beschreiben
5.3 Wirkende Parameter erkennen
5.4 Geschäftsziele präzisieren und technische Ziele ableiten
5.5 Projektplan erstellen
6 Daten erheben und verstehen
6.1 Relevante Features finden
6.2 Datenerfassung planen
6.3 Messsystemfähigkeit sicherstellen
6.4 Datenbedarf abschätzen
6.5 IT-Infrastruktur für die Datenspeicherung entwickeln und realisieren
6.6 Data Ingestion Pipelines entwerfen
6.7 Datensätze durch Versuche erzeugen
6.8 Eindimensionale Daten verstehen
6.9 Mehrdimensionale Daten verstehen
7 Daten präparieren
7.1 Daten bereinigen
7.2 Relevante Features auswählen und konstruieren
7.3 Features codieren
7.4 Daten komprimieren (Dimension reduzieren)
7.5 Zeitreihen vorverarbeiten
8 Lösungen ausarbeiten und bewerten
8.1 Visualisierungslösungen designen
8.2 Dashboard-Lösungen ausarbeiten
8.3 Test- und Tuning-Strategie festlegen
8.4 Regressionsmodelle trainieren, tunen und testen
8.5 Klassifizierungsmodelle trainieren, tunen und testen
8.6 Neuronale Netze trainieren, tunen und testen
8.7 Cluster-Verfahren trainieren und tunen
8.8 Reinforcement-Verfahren trainieren, tunen und bewerten
8.9 Large Language Models feintunen
8.10 Zeitreihen zerlegen und visualisieren
8.11 Ausreißer in Zeitreihen identifizieren
8.12 Bestes Modell auswählen
9 Lösung validieren
9.1 Interpretierbarkeit von Machine-Learning-Modellen sicherstellen
9.2 Lösung auf Plausibilität prüfen
9.3 Ergebnis aus der Business-Perspektive bewerten
9.4 Prozess reviewen
10 Lösung einführen und industrialisieren
10.1 Nicht-funktionale Anforderungen und Architekturtreiber identifizieren
10.2 Entscheidung treffen bezüglich On-Premises oder Cloud-Servicemodellen
10.3 IT-Infrastruktur für die Produktivsetzung erarbeiten
10.4 IT-Architekturvarianten bewerten und entscheiden
10.5 Data-Science-Lösung einführen und Vertrauen aufbauen
11 Lösung warten und aktualisieren
11.1 Alterungsverhalten des Modells beschreiben
11.2 Online-Überwachung für Modelldrift erarbeiten
11.3 Online-Überwachung für Datendrift erarbeiten
11.4 Aktualisierungsstrategie festlegen
11.5 Training und Wartung von ML-Modellen automatisieren (MLOps)
12 Die Autoren
13 Index

Inhalt (PDF)

Systemvoraussetzungen

Als PDF speichern Als Link merken