Am Ende des Seminars sind die Teilnehmenden in der Lage, Zeitreihenanalysen umfassend zu nutzen, um datengetriebene Vorhersagen zu treffen und Muster in Zeitreihen zu erkennen.
Definition und Konzepte: Erklärung, was Zeitreihen sind, und die Bedeutung der Zeitreihenanalyse in verschiedenen Anwendungsbereichen.
Komponenten von Zeitreihen: Besprechung der Hauptkomponenten einer Zeitreihe wie Trend, Saisonalität, Zyklus und Zufallsschwankungen.
Datenvorbereitung und Visualisierung
Datensammlung und Vorverarbeitung: Methoden zur Sammlung und Vorverarbeitung von Zeitreihendaten, einschließlich Umgang mit fehlenden Werten und Anomalien.
Visualisierungstechniken: Nutzung von Bibliotheken wie Matplotlib und Seaborn zur Visualisierung von Zeitreihendaten, um Muster und Trends zu identifizieren.
Deskriptive Statistik und Explorative Datenanalyse (EDA)
Grundlegende statistische Kennzahlen: Berechnung und Interpretation von Kennzahlen wie Mittelwert, Median, Varianz und Standardabweichung für Zeitreihendaten.
Explorative Datenanalyse: Anwendung von EDA-Techniken zur Untersuchung von Zeitreihenmustern und -anomalien, einschließlich Autokorrelation und Saisonalitätsprüfung.
Gleitende Durchschnitte und Glättungstechniken
Gleitende Durchschnitte: Einführung und Berechnung gleitender Durchschnitte zur Glättung von Zeitreihen und zur Identifikation von Trends.
Exponentielle Glättung: Erklärung der einfachen und doppelten exponentiellen Glättung zur Modellierung von Trends und Saisonalitäten.
Stationarität und Transformationen
Prüfung der Stationarität: Methoden zur Prüfung der Stationarität von Zeitreihen, wie der Augmented-Dickey-Fuller-Test.
Transformationstechniken: Anwendung von Transformationstechniken wie Differenzierung und Log-Transformation zur Erzielung von Stationarität.
Einführung in ARIMA: Erklärung der Komponenten von ARIMA-Modellen (AR, I, MA) und deren Bedeutung.
Modellidentifikation und -schätzung: Schritte zur Identifikation und Schätzung der Parameter eines ARIMA-Modells, einschließlich Nutzung des ACF- und PACF-Diagramms.
Saisonale Modelle (SARIMA)
Einführung in SARIMA: Erweiterung von ARIMA-Modellen zur Berücksichtigung von Saisonalitäten; Erklärung der zusätzlichen Parameter.
Modellanpassung und -bewertung: Schritte zur Anpassung und Bewertung von SARIMA-Modellen zur Vorhersage saisonaler Zeitreihen.
Einführung in GARCH: Erklärung von GARCH-Modellen zur Modellierung von Volatilität in Zeitreihen.
Anwendung von GARCH: Schritte zur Schätzung und Interpretation von GARCH-Modellen; Beispiele aus Finanzzeitreihen.
Machine Learning Methoden für Zeitreihen
Regressions- und Klassifikationsansätze: Nutzung von Regressions- und Klassifikationsmethoden wie LSTM und Random Forest zur Vorhersage von Zeitreihen.
Hyperparameter-Optimierung: Techniken zur Optimierung der Hyperparameter von Machine Learning-Modellen zur Verbesserung der Vorhersagegenauigkeit.
Praxisbeispiele und Implementierung
Implementierung eines Beispielprojekts: Durchführung eines Projekts zur Anwendung der erlernten Techniken und Methoden auf reale Zeitreihendaten; Schritt-für-Schritt-Anleitung von der Datenvorbereitung bis zur Modellbewertung.
Erfahrungsberichte und Best Practices: Präsentation realer Fallstudien und Best Practices zur erfolgreichen Implementierung von Zeitreihenanalyseprojekten in verschiedenen Anwendungsbereichen.
Dauer/zeitlicher Ablauf:
2 Tage
Zielgruppe:
Dieses Seminar richtet sich an Data Scientists, Analysten, Statistiker und Fachleute, die Zeitreihenanalyse erlernen oder vertiefen möchten. Grundlegende Kenntnisse in Statistik und Datenanalyse sind von Vorteil.
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.
