Machine Learning und Deep Learning Verfahren zur Analyse und Prognose von Zeitreihen und Prozessdaten

• 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 
  
  
  
  
  

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