Strukturierte Daten

Das Chapter für strukturierte Daten konzentriert sich auf tabellarische Datensätze und Zeitreihen.

Unser Expertenteam erforscht Techniken des maschinellen Lernens für Datensätze, die Sie normalerweise in Excel-Tabellen, CSV-Dateien oder relationalen Datenbanken finden. Wir übersetzen die neuesten Erkenntnisse aus der Literatur in praktische Richtlinien und versorgen ML6 mit dem Wissen und den Werkzeugen zur Lösung verschiedener Probleme.

Domänen

Regression und Forecasting

Die Zukunft vorauszusagen ist schwierig. Wir untersuchen Tools, die es uns ermöglichen, Prognosen für den Energieverbrauch der nächsten Woche oder die Absatzmengen des nächsten Jahres zu erstellen. Dazu bauen wir auf unseren externen Datenquellen auf und testen sowohl bewährte als auch die neusten Modelle.

Klassifizierung und Clustering

Das Hinzufügen von Bezeichnungen zu Datensätzen kann einen enormen Mehrwert bieten, um große Datenmengen sinnvoll zu nutzen und Abläufe zu automatisieren. Die Erstellung von Labels (Clustering) und die Zuweisung bekannter Labels zu neuen Datensätzen (Klassifizierung) wird in vielen verschiedenen Umgebungen eingesetzt. Zu den Anwendungen gehören das Verständnis der Typen von Maschinenausfällen, die Gründe für den Abbruch eines Verkaufsprozesses oder das Clustern von Benutzern auf einer E-Commerce-Plattform.

Erkennung von Anomalien

Maschinen gehen kaputt und Systeme/Prozesse werden missbraucht. Hin und wieder kommt es zu Ereignissen, die eigentlich nicht passieren sollten. Die Erkennung von Ausreißern ist eine echte Herausforderung, und wir lieben es, herauszufinden, wie wir "anormale" Ereignisse von "normalem" Verhalten unterscheiden können. Erklärbarkeit und Kausalität sind hier der Schlüssel: Warum sind bestimmte Dinge anomal? Diese Erkenntnisse sind entscheidend für die Verbesserung Ihrer Systeme.

Operative Forschung und Optimierung

Es ist möglich, dass ein Prozess gut funktioniert, aber Sie haben das Gefühl, dass er noch besser funktionieren könnte. In diesem Zusammenhang erforschen wir, wie man schwierige Probleme lösen kann: z. B. Produktionsplanung, Auftragsplanung, Fahrzeugrouting, Packaging, ...

Demos

Multivariate Zeitreihenähnlichkeit

Diese Demo ist das Ergebnis von Forschungsarbeiten auf dem Gebiet der multivariaten Zeitreihenähnlichkeit. Ziel war es, ein schnelles und skalierbares System zu entwickeln, das in der Lage ist, unüberwacht die 5 ähnlichsten Datenpunkte für eine gegebene Referenz zu finden.

Vollständige Demo anzeigen

Schnelle Tipps

5 Tipps für die Arbeit mit unausgewogenen Datensätzen

Mehr lesen

Tabellarische Daten: Bedienung von Entscheidungswäldern mit Tensorflow Serving

Mehr lesen

Werkzeuge zur Kennzeichnung von Zeitreihen

Mehr lesen
Weitere Tipps entdecken

Fallstudien

Praktika

Ähnlichkeit der Zeitreihen
Interaktiver Optimierungslöser
Wettbewerb für Finanzprognosen
Erforschung von Ähnlichkeitsmetriken und Beitrag zur TF
Aktiv lernendes Cockpit für Manager mit (unüberwachter) Anomalieerkennung
Lassen Sie uns beginnen
Nehmen Sie gerne mit uns Kontakt auf
Kontakt