Type:

Bachelor Thesis Business Information Systems

Status:

in process

Tutor:

• Alexander Bock

Abstract

Motivation

Die Fähigkeit zu lernen ist eine zentrale Eigenschaft des Menschen. In den vergangenen Jahrzehnten wurde in unterschiedlichen Forschungsgebieten unter dem Begriff des maschinellen Lernens (engl. "Machine Learning") der Versuch unternommen, die Fähigkeit zu lernen auch in Softwaresystemen zu implementieren oder zumindest näherungsweise zu imitieren. In der Regel werden unter Verfahren des maschinellen Lernens formale Algorithmen verstanden, die auf Basis von sukzessive wachsenden Datenmengen inkrementell formale Beschreibungs- oder Vorhersagemodelle generieren und verbessern. Ein klassisches Anwendungsgebiet des maschinellen Lernens ist die automatisierte Bilderkennung.

Ergebnisse von Verfahren des maschinellen Lernens stellen für Unternehmen einen bedeutsamen Nutzen in Aussicht. So könnten leistungsfähige Vorhersagemodelle über Märkte etwa in strategischen Entscheidungsprozessen genutzt werden. Eine solche Anwendung macht es aber erforderlich, dass die Einsatzbedingungen für Verfahren des maschinellen Lernens in dem entsprechenden organisationalen Szenario erfüllt sind.

Beschreibung

Diese Arbeit soll drei Ziele erreichen. Erstens sollen grundlegende Konzepte und Verfahren des maschinellen Lernens strukturiert und kritisch aufgearbeitet werden. Dabei ist auch eine Einordnung der Idee des maschinellen Lernens in angrenzende und verbundene Themen- und Forschungsfelder wie Data Mining, Artificial Intelligence und Pattern Recognition vorzunehmen. Zweitens sollen die Potenziale des maschinellen Lernens sowie die notwendigen Einsatzvoraussetzungen und Limitationen herausgearbeitet werden. Auf dieser Basis sollen abschließend Reflektionen darüber angestellt werden, wo und in welcher Form maschinelles Lernen in Unternehmen eingesetzt werden kann. Dabei sind insbesondere die Bedingungen wissensintensiver (Entscheidungs- oder Problemlösungs-)Prozesse in Unternehmen zu berücksichtigen und den Einsatzbedingungen von Verfahren des maschinellen Lernens systematisch gegenüberzustellen. Bei Interesse besteht zudem die Möglichkeit, ein Instrument (z.B. einen konzeptuellen Bezugsrahmen oder eine Modellierungsmethode) zu entwickeln, welches Unternehmen bei der Beurteilung unterstützen kann, ob der Einsatz von Verfahren des maschinellen Lernens in einer bestimmten Situation sinnvoll ist.

Literatur

• Watt J, Borhani R, Katsaggelos AK (2016) Machine Learning Refined. Foundations, Algorithms, and Applications. Cambridge: Cambridge University Press.
• Murphy KP (2012) Machine Learning: A Probabilistic Perspective. Cambridge: MIT Press.
• Bell J (2015) Machine Learning: Hands-on for Developers and Technical Professionals. Indianapolis: Wiley.
• Theodoridis S (2015) Machine Learning: A Bayesian and Optimization Perspective. Amsterdam: Academic Press; Elsevier.
• Frankish K and Ramsey WM (2014) The Cambridge Handbook of Artificial Intelligence. Cambridge: Cambridge University Press.
• Bissantz N, Hagedorn J (2009) Data Mining (Datenmustererkennung). WIRTSCHAFTSINFORMATIK 51(1): 139–144.
• Fayyad U, Piatetsky-Shapiro G and Smyth P (1996) From data mining to knowledge discovery in databases. AI Magazine 17(3): 37–54.
• March JG (1999) Understanding How Decisions Happen in Organizations. In: March JG (ed.) The Pursuit of Organizational Intelligence. Malden: Blackwell, pp. 13–38.
• McKenzie J, Woolf N, Winkelen C van and Morgan C (2009) Cognition in strategic decision making: A model of non-conventional thinking capacities for complex situations. Management Decision 47(2): 209–232.