Hiring and Interview Skills to Recruit Top Talent as Manager
John Masud Parvez
5.0 (267)·5h 55m · 48 lectures
$3.00$12–$199up to −98%
Loading course
KI und Data Science für Logistik und SCM mit Python
Optimiere Lieferketten mit Machine Learning, Business Analytics und Operations Research
5.09 reviews15 learners
- All Levels
- 12h 24m video
- 67 lectures
- German
- Updated 2026
Taught by Florian Kellner
- 12h 24m of on-demand video
- 67 lectures across 5 sections
- One-off payment — no subscription
- Lifetime access on web and mobile
- German audio
Curriculum
5 sections67 lectures12h 24m total
- Einführung - Teil 14:51
- Einführung - Teil 218:15
- Grundlagen9:12
- IDE (Integrated Development Environment)5:08
- Virtual Environments (Virtuelle Umgebungen; venvs)6:31
- Setup10:56
- Unser erstes Programm: Hello SCM23:59
- Python Basics - Teil 120:32
- Python Basics - Teil 221:59
- Python Basics - Teil 319:21
- Einführung20:44
- Überblick über die App4:41
- CSV Import23:24
- SQL - Teil 122:44
- SQL - Teil 221:21
- Streamlit Überblick26:38
- Streamlit - Erste Schritte4:19
- Descriptive Analytics - Teil 13:09
- Descriptive Analytics - Teil 212:52
- Descriptive Analytics - Teil 310:52
- Descriptive Analytics - Teil 44:13
- Descriptive Analytics - Teil 521:52
- Descriptive Analytics - Teil 65:39
- Einführung12:20
- Prognoseverfahren5:24
- Data Science Journey9:12
- Prognoseeinflussfaktoren6:21
- Lineare Regression - Teil 19:50
- Lineare Regression - Teil 20:42
- Nicht-Lineare Regression - Teil 16:33
- Nicht-Lineare Regression - Teil 28:24
- Multiple Lineare Regression4:44
- Zeitreihenanalyse/-prognose: Überblick4:56
- Zeitreihenanalyse/-prognose: Gleitende Durchschnitte4:42
- Zeitreihenanalyse/-prognose: Exponentielle Glättung 1. Ordnung5:11
- Zeitreihenanalyse/-prognose: Exponentielle Glättung 2. Ordnung2:15
- Zeitreihenanalyse/-prognose: Verfahren mit Saison-Indices2:55
- Zeitreihenanalyse/-prognose: Exponentielle Glättung 3. Ordnung3:03
- Weitere "einfache" Methoden2:15
- Fortgeschrittene Methoden: Überblick1:54
- Prophet4:16
- XGBoost8:32
- Messung der Prognosequalität12:22
- Prognosen in der Streamlit App - Teil 12:17
- Prognosen in der Streamlit App - Teil 210:53
- Prognosen in der Streamlit App - Teil 310:40
- Prognosen in der Streamlit App - Teil 424:00
- Prognosen in der Streamlit App - Teil 512:05
- Prognosen in der Streamlit App - Teil 69:47
- Einführung7:13
- Problemklassen6:44
- Lineare Programmierung: Modellierung14:11
- Lineare Programmierung: Grafische Lösung8:00
- Lineare Programmierung: Simplex-Algorithmus26:51
- Lineare Programmierung: Software-Einsatz4:27
- Lineare Programmierung: MS Excel Solver20:16
- Lineare Programmierung: Python6:39
- Mixed-Integer Programming: Modellierung16:45
- Mixed-Integer Programming: Branch-and-Bound Verfahren19:21
- Mixed-Integer Programming: Heuristiken9:53
- Mixed-Integer Programming: Lagrange Relaxierung9:19
- Mixed-Integer Programming: Genetische Algorithmen11:08
- Multi Citeria Decision-Making: Überblick5:24
- Multiple-criteria decision-making: Nutzwertanalyse8:36
- Multiple-criteria decision-making: Analytic Hierarchy Process (AHP)26:17
- Multiple-criteria decision-making: Goal Programming18:31
- Prescriptive Analytics in Streamlit16:01
About this course
Bist du bereit, deine Karriere in Logistik und im Supply Chain Management auf das nächste Level zu heben? In der modernen Logistik reichen Bauchgefühl und Excel-Tabellen längst nicht mehr aus, um komplexe, globale Lieferketten effizient zu steuern. Daten sind der entscheidende Wettbewerbsfaktor – und in diesem umfassenden Kurs lernst du, wie du diese Daten mit modernsten Methoden der Data Science, des Machine Learnings und des Operations Research gewinnbringend einsetzt. Dieser praxisorientierte Kurs richtet sich…
Before you start
- Keine Programmierkenntnisse nötig: Der Kurs beinhaltet einen ausführlichen Python-Crashkurs. Wir beginnen beim allerersten Programm und erarbeiten uns die Fähigkeiten von Grund auf.
- Hardware & Software: Ein handelsüblicher PC oder Mac (Windows oder macOS) mit Internetzugang reicht völlig aus. Alle im Kurs verwendeten Tools (wie Python, Visual Studio Code oder DBeaver) sind kostenlos verfügbar.
- Fachwissen: Ein grundlegendes Verständnis von Logistik- und Supply-Chain-Prozessen ist vorteilhaft, um die praxisnahen Industrie-Cases (wie die Daten des FMCG-Herstellers) optimal zu durchdringen.
- Analytisches Denken: Ein grundlegendes Basiswissen in Mathematik und Statistik erleichtert das allgemeine Verständnis der Data-Science-Konzepte.
Who it’s for
- Logistik- & SCM-Professionals, die ihre Lieferketten und Prozesse durch Data Science, Automatisierung und Python messbar optimieren möchten.
- Data Scientists und Analysten, die gezielt praktisches Branchenwissen und Use-Cases im Bereich Supply Chain Management aufbauen wollen.
- Studierende (BWL, Logistik, Wirtschaftsinformatik), die sich mit gefragter Schnittstellenkompetenz optimal auf den Arbeitsmarkt vorbereiten möchten.
- Supply Chain Manager und Disponenten, die von fehleranfälligen Excel-Listen zu automatisierten, intelligenten Prognosemodellen wechseln wollen.
- Quereinsteiger und Python-Anfänger, die das Programmieren nicht theoretisch, sondern an echten, industriellen Optimierungsproblemen lernen möchten.
Related
More in Business
Master Business Intelligence BI -- دبلوم ذكاء الاعمال
Qusay Tawfiq AL-Btoush
5.0 (210)·14h 15m · 29 lecturesNot available yetThe complete guide Real Estate Investing from Scratch
Nexa Learning
5.0 (145)·1h 22m · 28 lectures$3.00$12–$199up to −98%
$3.00$12–$199