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.
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.
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.