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

• Einführung und Grundlagen
  
  • Zielsetzung und Relevanz von Forecasting in Wirtschaft, Technik und Wissenschaft
  • Einführung in Zeitreihenbegriffe (Saisonalität, Trend, Stationarität etc.)
  • Überblick über den methodischen Fortschritt - von Statistik bis generativer KI
  
  
• Klassische Verfahren der Zeitreihenanalyse
  
  • Grundlagen statistischer Zeitreihenmodelle - Lineare Modellierung mit MA(q), ARIMA, VARIMA
  • Erweiterte Modelle für Saisonalität und externe Einflussgrößen - Holt-Winters, SARIMAX, Prophet
  • Einschränkungen klassischer Ansätze - Herausforderungen bei nichtlinearen, nichtstationären und hochdimensionalen Daten
  
  
• Machine Learning Verfahren
  
  • Maschinelles Lernen für Zeitreihenprognosen
  • Baumbasierte Modelle - Decision Tree, Random Forest, XGBoost, LightGBM
  • Nichtlineare Verfahren - Support Vector Machines (SVM), k-Nearest Neighbors (kNN)
  • Modellauswahl & Performancevergleich - Cross-Validation, Hyperparameter-Tuning, Metriken wie RMSE, MAE, R²
  
  
• Neuronale Netze für komplexe Zeitreihenstrukturen
  
  • Einführung in Deep Learning für Zeitreihen - Motivation, Vorteile gegenüber klassischen Verfahren
  • Modellarchitekturen im Überblick - MLP, RNN, LSTM, TCN, BiTCN, TiDE, DeepAR, N-BEATS
  • Anwendungsbereiche & Modellierungsszenarien - Umgang mit univariaten, multivariaten und exogenen Zeitreihen
  
  
• Transformer-basierte Modelle und generative KI für Zeitreihen
  
  • Grundlagen der Transformer-Architektur - Self-Attention, Encoder-Decoder-Prinzip, Inspiration durch GPT & Co.
  • Spezialisierte Modelle für Zeitreihen - Transformer, iTransformer, DLinear, NLinear, PatchTST
  • Skalierbarkeit und Performance - Stärken bei großen, komplexen und hochdimensionalen Zeitreihen
  
  
• Foundation-Modelle für Zeitreihenprognosen
  
  • Überblick über aktuelle Foundation-Modelle - Time-LLM, Chronos (Amazon), TimeGPT, Moirai (Salesforce), TimesFM (Google)
  • Architektur, Einsatzgebiete und Vorteile dieser Modelle
  • Architektur und Besonderheiten - vortrainierte generative Modelle für Zeitreihen
  • Einsatzszenarien und Vorteile - Zero-/Few-Shot-Learning, Transferfähigkeit, hohe Prognosequalität bei komplexen Daten
  
  
• Praxisanwendungen und Fallstudien
  
  • Einsatzfelder im Überblick - Business Forecasting, Finanzmärkte, Energie & Umwelt, Web & Tech, IoT & Industrie 4.0
  • Fallstudien mit realen Daten - Anwendung ausgewählter Modelle auf branchenspezifische Fragestellungen
  • Modellvergleich in der Praxis - Bewertung von Prognosequalität, Robustheit und Interpretierbarkeit
  
  
• Zusammenfassung, Toolübersicht und Ausblick
  
  • Methodenwahl in der Praxis - Auswahl geeigneter Ansätze abhängig von Datenlage, Ziel und Komplexität
  • Werkzeuge und Frameworks für die Umsetzung - Prophet, NeuralForecast, Hugging Face, GluonTS, Skforecast u.a.
  • Blick in die Zukunft - Trends in Forecasting & KI: Foundation Models, Multi-Modality, AutoML und Edge Forecasting
    
    
    
    
  
  

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