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.
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
Dauer/zeitlicher Ablauf:
3 Tage
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.
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.
