LITMIR.BIZ

Скачать книгу

14.2Maschinelles Lernen: von der Uni zu Unternehmen

       14.3Wie arbeiten Data Scientists und Programmierer zusammen?

       14.4Architekturmuster, um maschinelle Lernmethoden produktiv zu nehmen

       14.4.1Architekturmuster des maschinellen Lernens

       14.4.2Architekturmuster, um Modelle auszuliefern

       14.4.3Datenvorverarbeitung und Feature-Extraktion

       14.4.4Automation und Monitoring

       14.4.5Integrationsmuster für maschinelles Lernen

       14.5Was kann man sonst auf Firmenebene tun, um Data Science zu unterstützen?

       14.6Fazit

       15Predictive Maintenance

       Marco Huber

       15.1Einleitung

       15.2Was ist Instandhaltung?

       15.2.1Folgen mangelhafter Instandhaltung

       15.2.2Wettbewerbsfähige Produktion

       15.3Instandhaltungsstrategien

       15.3.1Reaktive Instandhaltung

       15.3.2Vorbeugende Instandhaltung

       15.3.3Vorausschauende Instandhaltung (Predictive Maintenance)

       15.4Prozessphasen der vorausschauenden Instandhaltung

       15.4.1Datenerfassung und -übertragung

       15.4.2Datenanalyse und Vorhersage

       15.4.2.1Unüberwachte Verfahren

       15.4.2.2Überwachte Verfahren

       15.4.3Planung und Ausführung

       15.5Fallbeispiele

       15.5.1Heidelberger Druckmaschinen

       15.5.2Verschleißmessung bei einem Werkzeugmaschinenhersteller

       15.5.3Vorausschauende Instandhaltung in der IT

       15.6Fazit

       16Scrum in Data-Science-Projekten

       Caroline Kleist · Olaf Pier

       16.1Einleitung

       16.2Kurzüberblick Scrum

       16.3Data-Science-Projekte in der Praxis

       16.4Der Einsatz von Scrum in Data-Science-Projekten

       16.4.1Eigene Adaption

       16.4.2Realisierte Vorteile

       16.4.3Herausforderungen

       16.5Empfehlungen

       16.6Fazit

       17Der Analytics-Beitrag zu einer Added-Value-Strategie 303 am Beispiel eines Kundenkartenunternehmens

       Matthias Meyer

       17.1Geschäftsmodell eines Multipartnerprogramms

       17.2Kundenbindung und Kundenbindungsinstrumente

       17.3Funktionen und Services eines Multipartnerprogrammbetreibers

       17.3.1Funktionen

       17.3.2Services und Vorteile aus Nutzer- und aus Partnerperspektive

       17.4Konkrete Herausforderungen des betrachteten Multipartnerprogrammbetreibers

       17.5Added-Value-Strategie

       17.5.1Hintergrund und Zielsetzung

       17.5.2Ausgangspunkt Datenbasis

       17.6Pilotierung ausgewählter Analytics-Ansätze

       17.6.1Analytische

Скачать книгу