Machine Learning und Deep Learning Verfahren zur Analyse und Prognose von Zeitreihen und Prozessdaten
Seminar - GFU Cyrus AG
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.
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
Zielgruppe:
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.
Wir setzen Analyse-Cookies ein, um Ihre Zufriedenheit bei der Nutzung unserer Webseite zu verbessern.
Diese Cookies werden nicht automatisiert gesetzt.
Wenn Sie mit dem Einsatz dieser Cookies einverstanden sind, klicken Sie bitte auf Akzeptieren.
Weitere Informationen finden Sie hier.
