Wir tauchen ein in ein Real-Time Analytics-Projekt in dem wir den Fraud-Detection-Prozess mittels Echtzeitdaten für eine*n Kund*in verbessern. Dabei beleuchten wir die von uns antizipierten Herausforderungen des Projekts sowie unsere Lösungsansätze. Natürlich haben wir einige Dinge auch nicht kommen sehen, die daraus resultierenden Erkenntnisse teilen wir mit euch.
#46: Strategien zur Performance-Optimierung in R
#45: Data Science bei 1&1 Versatel – Dr. Stephan Hausberg im Gespräch über den Aufbau von Data Teams
#44: Lineare Regression in der Praxis – Oldie oder Goldie?
#43: Damit es im Live-Betrieb nicht kracht: Vermeidung von Overfitting & Data Leakage
#42: Frontends in Data Science: Welches Visualisierungstool ist das Richtige?
#41: Strategien zur Performance-Optimierung in Python
#40: Sonderfolge: Frauen in Data Science und Tech mit Catrin & Isa von Mind the Tech
#39: Death by Microservices
#38: Im Rennen gegen die Zeit: Echtzeitprognosen mit komplexen statistischen Modellen
#37: Deep Learning zur Erkennung von Hochwasser auf Satellitenbildern mit Philip Popien von Floodbase
#36: Der Data Mesh Hype und was davon bleibt
#35: Erfolgsfaktoren für Machine Learning Projekte mit Philipp Jackmuth von dida
#34: Was ist Attribution im Online Marketing und lohnt sie sich noch?
#33: Data Science bei Zalando – Dr. Claudia Baldermann im Gespräch über Product Development & Organisation
#32: Brauche ich Data-Science-Berater*innen und wenn ja wie viele?
#31: Ist R eigentlich tot?
#30: Agile Softwareentwicklung im Data-Science-Kontext
#29: Die Qual der Wahl: Data Science Plattform vs. Customized Stack
#27: Kann ein Large Language Model (LLM) bei der Klassifikation tabellarischer Daten XGBoost schlagen?
Create your
podcast in
minutes
It is Free
Insight Story: Tech Trends Unpacked
Zero-Shot
Fast Forward by Tomorrow Unlocked: Tech past, tech future
The Unbelivable Truth - Series 1 - 26 including specials and pilot
A Prairie Home Companion: News from Lake Wobegon