AI400: AI powered Predictive Analytics NEU

Agenda:

• Predictive Analytics Basics & Datenverständnis

  • Predictive Analytics Überblick: Problemtypen & Use Case Kategorien

  • Statistik und Datenfundament:

    • Verteilungen

    • Korrelation vs. Kausalität

    • Signal/Rauschen

    • Typische Fallstricke

  • Datenquellen & Datenqualität:

    • Sensor /Zeitreihendaten

    • Ereignisdaten

    • Stammdaten

    • Kontextdaten

  • Zeitreihen Grundlagen:

    • Sampling

    • Missing Values

    • Outlier

    • Trend/Saisonalität

    • Aggregation

  • Hands on Lab: Datenprofiling & Aufbereitung einer Zeitreihe (Cleaning, Resampling, Feature Basis)
    
    

• Modellierung & Evaluation (was „gute Vorhersage“ wirklich heißt)

  • Feature Engineering für Zeitreihen:

    • Lags

    • Rolling Windows

    • Kalenderfeatures

    • Zustandsfeatures

  • Modellfamilien:
    

    • klassische ML Modelle für Prognosen/Risikoscores (e. g. Gradient Boosting/Random Forest)

    • Baselines & einfache Forecasting Modelle (als Referenz)

    • Einordnung von Deep Learning für Sequenzen (optional, je nach Gruppe)

  • Evaluation richtig aufsetzen:

    • Train/Test bei Zeitreihen

    • Backtesting

    • Leakage vermeiden

  • Metriken & Interpretation:

    • MAE/RMSE/MAPE

    • Precision/Recall

    • ROC AUC

  • Hands on Lab: Modellvergleich + Backtesting + Fehleranalyse
    
    

• Von der Vorhersage zur Anwendung (Operationalisierung & Best Practices)

  • Von „Prediction“ zu „Decision“:

    • Schwellenwerte

    • Kosten/Nutzen

    • „sanity checks“

  • Betrieb & Weiterentwicklung:

    • Drift Signale

    • Monitoring

    • Re Training Strategie

    • Versionsmanagement

  • Integration in Prozesse:

    • Batch vs. near real time

    • Schnittstellen

    • Reporting/BI Anschluss

  • Capstone Übung:

    • Mini Use Case als End to End Blueprint inkl. Metriken

    • Monitoring Idee und Next Steps

Ziele:

Nach dem Kurs AI400 Predictive Maintenance in der Industrie mit Machine Learning können Teilnehmer Predictive-Analytics-Problemtypen sicher unterscheiden (z. B. Forecasting vs. Risiko-Scoring vs. Anomalien), Zeitreihen- und Sensordaten robust aufbereiten und modellierbar machen, Feature Engineering und Modellwahl systematisch durchführen und dabei Baselines sinnvoll nutzen sowie die Evaluierung korrekt aufsetzen (inkl. Backtesting und Leakage-Vermeidung) und die Ergebnisse fundiert interpretieren.

Zielgruppe:

Das Training AI400 Predictive Maintenance in der Industrie mit Machine Learning richtet sich an:

• Entwickler, Data Analysts, Data Scientists (Einsteiger bis Intermediate)

• IT Fachkräfte/Engineers, die Predictive Analytics Use Cases umsetzen oder begleiten

• Fachverantwortliche mit technischem Hintergrund (e. g. Produktion, Instandhaltung, Qualität, Energie)

Voraussetzungen:

Um dem Lerntempo und den Inhalten des Trainings AI400 Predictive Maintenance in der Industrie mit Machine Learning gut folgen zu können, sind folgende Vorkenntnisse erforderlich:

• Grundlagen in Python

• Basisverständnis von Machine Learning (Train/Test, Overfitting, Metriken)

Beschreibung:

Der Kurs AI400 AI powered Predictive Analytics vermittelt einen praxisnahen, durchgängigen Einstieg in Predictive Analytics mit Machine Learning – von der Problemformulierung über Datenaufbereitung und Modellierung bis hin zu Evaluierung, Betrieb und Integration in reale Prozesse. Im Mittelpunkt steht die Frage: Wie lassen sich zukünftige Ereignisse, Zustände oder Kennzahlen zuverlässig vorhersagen – und wie wird daraus eine robuste Entscheidungshilfe im Unternehmen?

Statt sich auf einen einzelnen Anwendungsfall zu beschränken, behandelt der Kurs AI400 AI powered Predictive Analytics als wiederverwendbares Muster für unterschiedliche Domänen: Forecasting von Zeitreihen (z.B. Auslastung, Energieverbrauch, Bedarf), Risikoprognosen (z. B. Ausfallwahrscheinlichkeit, Qualitätsrisiko), Anomalie‑Erkennung (z.B. Sensor‑Drift, Prozessabweichungen) und Remaining Useful Life / Predictive Maintenance als typisches Industrie‑Szenario. Die Teilnehmer arbeiten mit Python an verständlichen Beispielen und bauen eine kleine End‑to‑End‑Pipeline auf – inklusive sauberer Evaluation (Backtesting, Leakage‑Vermeidung) und Best Practices für produktionsnahe Nutzung (Monitoring, Drift, Nachtrainieren).