Seminare
Seminare
  • Seminare
  • Anbieter
  • 5 km
  • 10 km
  • 25 km
  • 50 km
  • 100 km
  • 150 km
  • 200 km
  • 300 km

Zeitreihenanalyse mit Machine Learning

Seminar - GFU Cyrus AG

Nach dem Seminar können Sie Zeitreihendaten aufbereiten, geeignete Merkmale erzeugen und Prognosemodelle mit Support Vector Regression und Random Forests in Python umsetzen. Sie verstehen, wie zeitliche Abhängigkeiten beim Training und bei der Bewertung berücksichtigt werden müssen. Sie können Trainings-, Validierungs- und Testzeiträume trennen und Hyperparameter mit zeitreihenadäquater Cross-Validation optimieren. Darüber hinaus können Sie Prognosen anhand geeigneter Fehlermetriken vergleichen und Modellgenauigkeit, Komplexität und Interpretierbarkeit gegeneinander abwägen. Sie kennen ergänzende Ensemble-Ansätze und fortgeschrittene Modelle und können deren Einsatzmöglichkeiten für eigene Zeitreihenprognoseaufgaben fachlich einordnen.
Termin Ort Preis*
firmenintern auf Anfrage auf Anfrage
*Alle Preise verstehen sich inkl. MwSt.

Detaillierte Informationen zum Seminar

Inhalte:
  • Grundlagen der Zeitreihenanalyse
    • Anwendungsgebiete, Trend, Saisonalität und Rauschen
    • Zeitreihendaten visualisieren und explorieren

  • Machine Learning für Zeitreihen
    • Modelle für Zeitreihenprognosen im Überblick
    • Statistische Verfahren und ML-Ansätze: Unterschiede, Vorteile und Grenzen

  • Datenaufbereitung und Feature Engineering
    • Fehlende Werte, Ausreißer, Skalierung und Normalisierung
    • Lags und Rolling Windows erzeugen
    • Einflussgrößen, Trend- und Saisonalitätsmerkmale identifizieren
    • Dimensionalitätsreduktion und Vermeidung von Zukunftsinformationen

  • Grundprinzipien und Anwendung von SVM
    • Support Vector Regression für numerische Prognosen
    • Kernel-Trick, C-Parameter und Regularisierung
    • Zeitliche Abhängigkeiten berücksichtigen
    • Einzelwert- und Mehrschrittprognosen

  • Hyperparameter-Tuning für SVM
    • Grid Search mit zeitreihenadäquater Cross-Validation
    • Walk-forward- beziehungsweise Rolling-Window-Validierung
    • Kernel-Auswahl, Overfitting und Underfitting

  • Praktisches Training mit SVM
    • Implementierung mit Python und scikit-learn
    • Zeitlich getrennte Trainings-, Validierungs- und Testzeiträume
    • Modelle für unterschiedliche Prognoseaufgaben trainieren

  • Grundlagen und Anwendung von Random Forests
    • Entscheidungsbäume, Ensembles, zufällige Merkmalsauswahl und Bootstrapping
    • Zeitliche Abhängigkeiten durch geeignete Merkmale berücksichtigen
    • Einzelwert- und Mehrschrittprognosen

  • Hyperparameter-Tuning für Random Forests
    • Anzahl und Tiefe der Bäume sowie Merkmalsauswahl
    • Randomized Search mit zeitreihenadäquater Cross-Validation
    • Walk-forward- beziehungsweise Rolling-Window-Validierung

  • Praktisches Training mit Random Forests
    • Implementierung mit Python und scikit-learn
    • Zeitlich getrennte Trainings-, Validierungs- und Testzeiträume
    • Modelle für unterschiedliche Prognoseaufgaben trainieren

  • Modellbewertung und Modellauswahl
    • Zeitgerechter Vergleich auf identischen Validierungszeiträumen
    • Abschließende Bewertung auf einem zurückgehaltenen Testzeitraum
    • Mean Absolute Error und Mean Squared Error
    • Vorhersagen visualisieren und Modelle statistisch vergleichen
    • Genauigkeit, Komplexität und Interpretierbarkeit berücksichtigen

  • Fortgeschrittene Themen und praktische Anwendung
    • Vorhersagen mehrerer Modelle durch Ensemble-Methoden kombinieren
    • LSTM für sequenzielle Daten kennenlernen
    • Ensembles und fortgeschrittene Modelle implementieren und zeitgerecht vergleichen
    • Anwendbarkeit bewerten und weitere Entwicklungen diskutieren

Zielgruppe:
Das Seminar richtet sich an Data Scientists, Analysten, Data Engineers, Business Analysts, Forscher und Entwickler, die Zeitreihen mit Machine Learning analysieren und prognostizieren möchten. Ebenso angesprochen sind technisch orientierte Entscheidungsträger und Führungskräfte mit entsprechenden Vorkenntnissen.

Teilnahmevoraussetzungen


Sie benötigen grundlegende Kenntnisse in Datenanalyse und Statistik.

Grundkenntnisse in Python sind für die praktischen Übungen von Vorteil.

Erfahrungen mit einer anderen Programmiersprache erleichtern den Einstieg; die Umsetzung im Seminar erfolgt mit Python.
Seminarkennung:
S3212
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