Machine Learning und Deep Learning Verfahren zur Analyse und Prognose von Zeitreihen und Prozessdaten - Seminar / Kurs von GFU Cyrus AG
Inhalte
- Strukturierung und Vorbereitung von Zeitreihendaten
- Laden von Daten und grundlegende Datenverarbeitung mit Pandas
- Lückenlose Zeitreihen erstellen
- Mit gleitenden Mittelwerten arbeiten (rolling/moving means)
- Strategien zur Behandlung fehlender Werte
- Zeitfenster definieren und extrahieren
- Graphische Darstellung von Zeitreihen mit Matplotlib
- Anwendung klassischer Machine Learning Verfahren auf Zeitreihen
- Hintergrund: Klassifizierungs- und Schätzverfahren
- Lineare Regression
- Logistische Regression und Softmax
- Polynomiale Regression
- Workflow: Trainings-/Testdaten, Daten extrahieren, speichern und laden angelernter Modelle
- Spezielle Verfahren zur Vorhersage des zukünftigen Verlaufs einer Zeitreihe
- Komponenten einer Zeitreihe: Saison, Trend & Residuen
- Zeitreihen stationär machen
- Autokorrelation und partielle Autokorrelation
- Trends und Saisonale Effekte behandeln
- Integrierte Modelle zur Prognose des Verlaufs in der Zukunft: ARMA und Seasonal ARIMA
- Deep Learning für Zeitreihen
- Zeitreihenklassifikation
- Multivariate Zeitreihenanalyse
- Neuronale Netze für Zeitreihen
- Hintergrund Deep Learning und rekurrente Netze
- Deep-Learning Verfahren mit Keras anwenden
- Aufbau und Funktionsweise rekurrenter neuronaler Netze (RNN) für Zeitreihen
- Vorbereitung der Daten und Training mit LSTM/GRU
- Transformer für Zeitreihen
- Evaluation trainierter Modelle
- Overfitting verhindern
- Mit Generatoren trainieren
- Facebook Prophet
- Theorie und Intuition hinter Facebook Prophet
- Facebook Prophet + XGBoost
- Aufbereitung der Daten für Facebook Prophet
- Erstellen und Trainieren von Zeitreihenmodellen
- Amazon DeepAR
- Strukturierung und Vorbereitung von Zeitreihendaten
- Laden von Daten und grundlegende Datenverarbeitung mit Pandas
- Lückenlose Zeitreihen erstellen
- Mit gleitenden Mittelwerten arbeiten (rolling/moving me ...
Lernziele
Machine Learning- und Deep Learning-Techniken können komplexe verborgene Muster in Zeitreihendatensätzen extrahieren, die für klassische statistische Methoden unerreichbar sind. Das macht Deep Learning zu einem vielversprechenden Werkzeug für die Zeitreihenprognose.
Dieses ML/DL Seminar zeigt, wie moderne neuronale Netze und die letzten Fortschritte im Deep Learning auf reale Vorhersageprobleme angewendet werden können. Der Kurs deckt Techniken des maschinellen Lernens ab, die für Prognoseprobleme relevant sind, von univariaten und multivariaten Zeitreihen von überwachtem Lernen bis hin zu modernsten Deep Forecasting-Modellen wie LSTMs, rekurrenten neuronalen Netzen (RNNs), dem Open-Source-Modell Prophet von Facebook und Amazon DeepAR-Modell.
Der Kurs ist auch für diejenigen geeignet, die mit der Arbeit an Vorhersageaufgaben anfangen möchten und zunächst mit traditionellen Modellen beginnen und schrittweise zu immer fortgeschritteneren Modellen übergehen möchten.
Machine Learning- und Deep Learning-Techniken können komplexe verborgene Muster in Zeitreihendatensätzen extrahieren, die für klassische statistische Methoden unerreichbar sind. Das macht Deep Lear ... Mehr Informationen >>
Zielgruppen
Technisch interessierte Fachkräfte, die einen Einstieg in fortgeschrittene KI-Methoden und Techniken zur Analyse von Zeitreihen- und Prozessdaten suchen:
- Unternehmensanalysten, die ihre Prognosefähigkeiten und -techniken verbessern möchten.
- IT-Fachleute, die an der Umsetzung von Zeitreihenanalysen und Prognosen auf Geschäftsprobleme interessiert sind.
- Marketingfachleute, die die zukünftige Nachfrage nach Produkten oder Dienstleistungen prognostizieren möchten.
- Finanzanalysten, die zukünftige Trends und Leistungen für Unternehmen prognostizieren möchten.
- Betriebsleiter:innen, die die Bedarfsplanung und -prognose für ihr Unternehmen verbessern möchten.
- Grundkenntnisse Python wären von Vorteil
Technisch interessierte Fachkräfte, die einen Einstieg in fortgeschrittene KI-Methoden und Techniken zur Analyse von Zeitreihen- und Prozessdaten suchen:
- Unternehmensanalysten, die ihre Prognosefä ...