Neuronale Netze und Maschinelles Lernen für betriebswirtschaftliche Anwendungen

Präsenzstudium: ca. 42 Std., Eigenstudium: ca. 108 Std.

aus dem Bachelorstudiengang: Mathematik, Statistik

LERNZIELE: Die Studierenden lernen die theoretischen Grundlagen von Prognosemodellen auf Basis des maschinellen Lernens insbesondere Neuronaler Netze. Zum Vergleich werden kurz gängige (nicht AI) Verfahren zur Prognose eingeführt. Die Studierenden lernen die Anwendung der Algorithmen anhand betriebswirtschaftlicher Modellierungsbeispiele. Als Software wird die OpenSource Software Python benutzt. Ein wichtiger Bestandteil ist ebenfalls das Interpretieren der Modellergebnisse z.B. mit Hilfe gängiger Gütemaße für die Prognosegüte.

FACH- u. METHODENKOMPETENZ: Die Vorlesung gibt eine Einführung in gängige Verfahren zur Lösung von Prognoseaufgaben und Algorithmen zum Lösen üblicher Klassifikationsprobleme im betriebswirtschaftlichen Kontext. Schwerpunkt liegt dabei auf der Anwendung Neuronaler Netze sowie weiterer Verfahren des Maschinellen Lernens. Ziel: eigenständige Lösung von Aufgaben aus dem Bereich Data Analytics und Prognosefragestellungen insbesondere mit Hilfe der Software Python; Datenvorverarbeitung, Identifikation der geeigneten Modellklasse, Optimierung von Modellen, Darstellung der Ergebnisse Umgang mit Python sowie und spezieller open-Source Tools (WEKA, KNIME)

ÜBERFACHLICHE KOMPETENZ: Teamarbeit: wie erarbeite ich praktikable Lösungen eigenständig und in der Kleingruppe? Anwendungsbeispiele: wie löse ich Probleme aus der praktischen Anwendung mit Hilfe der gelernten Hilfsmittel? Lerntechniken: wie erarbeite ich schnell und effizient ein komplexes neues Thema sowohl in der Theorie als auch in der Praxis?

Die Veranstaltung gliedert sich in 12 Lerneinheiten. Jede Lerneinheit besteht aus 2 Stunden seminaristischem Unterricht sowie 2 Stunden praktischen Übungen am Computer. Im praktischen Teil lernen die Studenten zunächst anhand vorbereiteter Datenbeispiele die Grundlagen von AI in der betriebswirtschaftlichen Anwendung. Die ersten Lerneinheiten dienen zum Erlernen von Theorie und Anwendungstechniken:

• Zeitreihenanalyse, graphische Aufbereitung und Datenvorverarbeitung, Fehlermaße mathematische Modelle zur Zeitreihenprognose Vergleichstagsanalyse, Regression AR, ARMA,SARIMA

• Theorie der Neuronalen Netze: mathematische Grundlagen, Lernverfahren, Modellarchitekturen Feedforward Neuronale Netze, Ensemble-Modelle Rekurrente Neuronale Netze zur Modellierung dynamischer Systeme Decision Trees und Random Forests für Regressionsprobleme

• Klassifikation und Clustering Decision Trees und Random Forests für Klassifikation Convolutional Neural Networks (CNNs)

Während der ersten Wochen bearbeiten die Studenten in Teamarbeit jeweils parallel zu den gezeigten Beispielen eigene Anwendungsbeispiele. Diese werden am Ende der Veranstaltung von den Studierenden in kurzen Vorträgen vorgestellt und es wird eine gemeinsame Bewertung des Ergebnisses vorgenommen.

• Moodle: Folien zu den Vorlesungen, Daten, Python-Notebooks etc. werden hier zur Verfügung gestellt

• Seminaristischer Unterricht: Tafel, PowerPoint Folien, Videoclips, Computer-Pool (Bearbeitung von Programmierbeispielen)

• Übung: Gruppenarbeit mit vorausgewählten Datenbeispielen, Präsentation der Gruppenthemen durch die Studierenden

Bengio, Y.: Learning Deep Architectures for Al. Foundations and Trends in Machine Learning, 2009.

Brause, R. W.: Neuronale Netze: eine Einführung in die Neuroinformatik. B. G. Teubner Stuttgart, 1995.

Fueser, K.: Neuronale Netze in der Finanzwirtschaft: innovative Konzepte und Einsatzmöglichkeiten. Betriebswirtschaftlicher Verlag Dr. Th. Gabler GmbH, Wiesbaden, 1995.

Goodfellow, I.; Bengio Y.; Courville A.: Deep learning. MIT press, 2016.

Grus, J.: Data science from scratch: First principles with Python. O'Reilly Media, Inc., 2015.

Lämmel, U.; Cleve, J.: Künstliche Intelligenz. Carl Hanser Verlag München, 2012.

Müller, A. C.; Sarah G.: Introduction to machine learning with Python: a guide for data scientists. O'Reilly Media, Inc., 2017.

Rashid, T.: Make your own neural network. CreateSpace Independent Publishing Platform, 2016.

Rehkugler, H.; Zimmermann, G.: Neuronale Netze in der Ökonomie: Grundlagen und finanzwirtschaftliche Anwendungen. Verlag Franz Vahlen GmbH, München

Rey, G. D.; Wender, K. F.: Neuronale Netze: Eine Einführung in die Grundlagen, Anwendungen und Datenauswertung. Verlag Hans Huber, Bern, 2011

Rojas, R.: Theorie der neuronalen Netze: eine systematische Einführung. Springer-Verlag Berlin Heidelberg, 1993.

Scherer, A.: Neuronale Netze: Grundlagen und Anwendungen. Springer-Verlag, 2013.

Witten, I. H., et al.: Data Mining: Practical machine learning tools and techniques. Morgan Kaufmann, 2016.