Data Science und Machine Learning

Ziele
  • Prognose
  • Allokation
  • Identifikation
  • Optimierung
  • Objekterkennung

Anwendungsfelder sind unter anderem Prognosen zur Umsatzentwicklung, Vorhersagen von Nachfragespitzen, Targeting in der Werbung, gezieltes Ansprechen von Attributen, Erkennen von Fahrzeugen, Personen und Objekten.

Methoden
  • Regressionsanalysen
  • Entscheidungsbäume
  • Cluster-Analysen
  • Support Vector Machines
  • Künstliche Neuronale Netze

Dies beinhaltet u.a. logistische, multiple und multivariate Regression, Naive Bayes, ID3, C4.5, Random Forest, k-Means, k-Menoid, agglomeratives und dichtebasiertes Clustern, SOM, Fuzzy-c-Means, neuronale Gase, ART, Gradient Boosting.

Identifikation und Interpretation von Objekten auf Kameraaufnahmen

Erkennung von Wasserfahrzeugen

Autonome Schifffahrt: Sicherung von Häfen und Erfassung der Verkehrsdichte auf Seewegen.

Erkennung von Straßenschildern

Neben der autonomen Erkennung von Straßenschildern ermöglichen die Algorithmen auch ein automatisches Erkennen von Etiketten, Zeichen und Symbolen in Fertigungsstraßen, sortenreines Unterscheiden von Erzeugnissen u.ä.

Erkennung von Personen auf einem Bahngleis

Sicherung von Gebäuden und Anlagen: Detektion von unbefugtem Betreten und Registrierung von Personenflüssen im Allgemeinen. Eine besondere Herausforderung bilden hierbei die komplexen Strukturen sich bewegender Personen.

Der Einsatzbereich von Machine Learning beschränkt sich nicht auf Videomaterial. Grundsätzlich sind die verwendeten Algorithmen auf unterschiedliche Datenströme anwendbar.

Marketing

  • Optimierung von Werbung
  • Zielgruppenanalyse
  • E-Commerce

Finanzen

  • Einschätzung von Bonität
  • Erkennung von Betrugsversuchen
  • Liquiditätsplanung

Einkauf und Vertrieb

  • Prognose von Umsatzzahlen
  • Ermittlung von notwendigen Betriebsmitteln
  • Erkennung von Engpässen

Fertigung

  • Auslastungsoptimierung
  • Prozessüberwachung
  • Automatisierung