Seminare
Seminare

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

Seminar - GFU Cyrus AG

Die Teilnehmer lernen Schritt für Schritt, wie moderne Machine Learning- und Deep Learning-Verfahren komplexe Muster in Zeitreihendaten erkennen können, die klassischen statistischen Methoden verborgen bleiben.

Im Seminar werden alle notwendigen Grundlagen zu Machine Learning, neuronalen Netzen und generativer KI praxisnah vermittelt, sodass keine tieferen Vorkenntnisse erforderlich sind. Sie erwerben fundiertes Wissen über neuronale Netze und aktuelle Deep-Learning-Ansätze wie rekurrente neuronale Netze (RNNs), Long Short-Term Memory-Netze (LSTMs), sowie TiREX und Amazon DeepAR. 

Ein besonderer Schwerpunkt liegt auf den neuesten Transformer-basierten Zero-Shot Foundation-Modellen wie Chronos (Amazon), TimesFM (Google), Moirai (Salesforce) und THUML-Timer-XL, deren Prinzipien ähnlich wie bei ChatGPT funktionieren. 

Ziel ist es, die Teilnehmer zu befähigen, diese innovativen Modelle eigenständig für Prognosen von univariaten, multivariaten sowie exogenen Zeitreihen einzusetzen und schrittweise von traditionellen zu fortgeschrittenen Vorhersagetechniken überzugehen.
Termin Ort Preis*
firmenintern auf Anfrage auf Anfrage
*Alle Preise verstehen sich inkl. MwSt.

Detaillierte Informationen zum Seminar

Inhalte:
  • 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




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.
  • Grundkenntnisse Python wären von Vorteil



Seminarkennung:
S2787
Nach unten
Nach oben
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.
Akzeptieren Nicht akzeptieren









Um Spam abzuwehren, geben Sie bitte die Buchstaben auf dem Bild in das Textfeld ein:

captcha



Bei der Verarbeitung Ihrer personenbezogenen Daten im Zusammenhang mit der Kontaktfunktion beachten wir die gesetzlichen Bestimmungen. Unsere ausführlichen Datenschutzinformationen finden Sie hier. Bei der Kontakt-Funktion erhobene Daten werden nur an den jeweiligen Anbieter weitergeleitet und sind nötig, damit der Anbieter auf Ihr Anliegen reagieren kann.







Um Spam abzuwehren, geben Sie bitte die Buchstaben auf dem Bild in das Textfeld ein:

captcha