Detaillierte Informationen zum Seminar
Inhalte:
In dieser Schulung lernen Sie, wie Sie Zeitreihen Daten in Python analysieren und visualisieren können. Neben klassischen Methoden zur Zeitreihenvorhersage (ARMA) werden auch Maschinelle Lernen Methoden behandelt (RNN, LSTM). Verwendete Python Module sind: pandas, matplotlib, plotly, datetime, statsmodels, sklearn, keras.
Beschreibung des Zeitreihen Kurs
Der zweitägige Kurs “Analyse und Visualisierung von Zeitreihen-Daten in Python” ermöglicht einen einfachen Einstieg in den Umgang mit Zeitreihendaten in Python. Nach einer Einführung in die Grundlagen von Python und Zeitreihen gibt das Seminar einen Einblick in die Berechnung und Visualisierung von Zeitreihen und ihren Merkmalen in Python. Danach konzentriert sich dieser Kurs auf die praktischen Umsetzung von Vorhersagen von Zeitreihen in Python und arbeitet dabei mit der gesamten Bandbreite der aktuell verwendeten Vorhersageansätze: Von traditionell statistischen Verfahren wie Holt-Winters und ARIMA, über Kalman-Filter und Facebook Prophet bis hin zu Deep Learning Ansätzen wie LSTMs. Zudem werden auch andere Zeitreihenanwendungen wie Klassifikation und Clustering behandelt. Alle Verfahren werden immer mit anschaulichen Praxisbeispielen eingeführt und geübt, so dass die Teilnehmer auf die praktische Anwendung von Zeitreihenanalysen in Python vorbereitet werden.
Was lernen Sie im Python Zeitreihen Analyse Kurs
Nach diesem Kurs können die Teilnehmer selbstständig Zeitreihendaten in Python einlesen, handhaben und visualisieren. Sie können aus diesen Daten Vorhersagen nach vielen aktuell verwendeten Verfahren treffen und sind mit deren Elementen vertraut, die auch in aktueller Forschung Verwendung finden (e.g. Bestandteile exponentielles Glätten, Autoregressive-Modelle, Zustandsraumdarstellungen, Machine Learning Merkmalsbestimmung, RNNs). So können sie auch moderne Misch-Verfahren nachvollziehen. Die Teilnehmer haben außerdem beispielhaft gelernt, wie sie in Python andere Fragestellungen für Zeitreihendaten wie Clustering oder Klassifikation angehen können und wie Zeitreihendaten konzeptionell im Machine Learning und Deep Learning behandelt werden können. So haben sie ein gutes Fundament für die weitergehende Anwendung von Maschine Learning für Zeitreihendaten.
Ziele/Bildungsabschluss:
In dieser Schulung lernen Sie, wie Sie Zeitreihen Daten in Python analysieren und visualisieren können. Neben klassischen Methoden zur Zeitreihenvorhersage (ARMA) werden auch Maschinelle Lernen Methoden behandelt (RNN, LSTM). Verwendete Python Module sind: pandas, matplotlib, plotly, datetime, statsmodels, sklearn, keras.
Teilnahmevoraussetzungen:
Für den Kurs “Analyse und Visualisierung von Zeitreihen-Daten in Python” empfehlen wir entweder Vorkenntnisse / Vorerfahrung mit Zeitreihenanalyse oder mit Python, da das zügige Lerntempo für absolute Neulinge in beiden Bereichen oft nicht zu nachhaltigem Lernerfolg führt. Haben Sie bereits mit Zeitreihendaten gearbeitet oder verfügen über theoretisches Grundlagenwissen, benötigen Sie keine Vorkenntnisse in Python. Jedoch sollten Sie über Grundkenntnisse in einer anderen Programmiersprache besitzen, damit bekannt ist, was eine Variable, eine Funktion bzw. eine for-Schleife ist. Umgekehrt gilt für Vorerfahrene in Python: Sie brauchen keine Vorkenntnisse im Umgang mit Zeitreihendaten, aber einen sicheren Umgang mit Bibliotheken wie pandas und matplotlib.
Das Seminar beinhaltet Verfahren, die auf statistischen Annahmen aufbauen, wodurch grundlegende Kenntnisse der Statistik notwendig sind. Begriffe wie Mittelwert, Median, Standardabweichung oder Korrelation sollten Ihnen bekannt sein. Alle Teilnehmer der Schulung sollten zudem Vorerfahrung mit dem Umgang von Daten haben, z.B. in Excel oder einer BI-Software, um der Einführung in den Spezialfall Zeitreihendaten in Python folgen zu können.
Förderung:
Bildungscheck NRW
Zielgruppe:
Der Kurs “Analyse und Visualisierung von Zeitreihen-Daten in Python” ist ideal für Teilnehmer, die lernen möchten, in Python mit Zeitreihendaten umzugehen und Vorhersagen zu treffen sowie Einblick in Clustering und Klassifikation von Zeitreihen zu bekommen. Vorerfahrung mit entweder Zeitreihenanalyse oder mit Python ist hierbei empfohlen (s. Voraussetzungen).
