Seminarkatalog

In dieser 2-tägigen Schulung "Deep Learning mit Zeitreihen" lernen Sie die Fähigkeiten zur Verarbeitung und Vorhersage von datenabhängigen Verläufen im Zeitverlauf.

Der Workshop behandelt verschiedene Anwendungsbereiche, darunter Textanalyse, Natural Language Processing (NLP) und allgemeine Zeitreihenanalysen wie beispielsweise Marktpreisentwicklungen.

Am Ende dieser Schulung werden Sie in der Lage sein, eigenständig neuronale Netzwerke für Ihre spezifischen Probleme zu entwerfen, zu trainieren und zu bewerten. Sie werden spezielle Techniken kennenlernen, die darauf ausgerichtet sind, zeitliche Informationen effektiv zu nutzen, einschließlich Rekurrenter Neuronaler Netze.

Die Schulung wird durch eine Kombination aus theoretischen Konzepten und praktischen Übungen am Computer gestaltet. Sie werden lernen, theoretische Probleme zu verstehen, angemessene Lösungsansätze anzuwenden und diese direkt am Computer umzusetzen. Dabei werden Werkzeuge wie Python und TensorFlow / Keras verwendet, um Ihnen die nötigen Fähigkeiten praxisnah zu vermitteln.

Einführung in Deep Learning

• Grundlagen des Deep Learnings am Beispiel des Multi Layer Perzeptrons
• Deep Learning mit rekurrrenten Neuronalen Netzen (RNN, LSTM, GRU)
• Der neue Star des Deep Learnings: Der Transformer

Einführung in klassische Techniken zur Zeitreihen Verarbeitung

• Komponenten einer Zeitreihe: Trend, Saisonalität, Residuen
• Interpolation fehlender Werte in einer Zeitreihe
• Beispiel eines klassischen Zeitreihenverfahrens: ARIMA

Anomalieerkennung bei Zeitreihen mit Deep Learning

• Einführung Autoencoder
• Praktisches Fallstudienbeispiel zur Anomalieerkennung

Deep Learning für das Forecasting von Zeitreihen (Zeitreihenfortsetzung)

• Nutzung der Transformerarchitektur für das Forecasting
• Einführung in die Deep Learning Bibliothek PyTorch
• Einführung Temporal Fusion Transformer (TFT)
• Praktisches Fallstudienbeispiel zum Forecasting mittels PyTorch

AutoML für Zeitreihen: Deep Learning trifft klassisches Machine Learning

• Einführung in Amazons AutoGluon
• Praktisches Fallstudienbeispiel zum Forecasting mit AutoGluon

Für eine optimale Teilnahme am Kurs empfehlen wir folgende Vorkenntnisse:

• Grundsätzliches Programmierverständnis
• Erste Statistikkenntnisse sind hilfreich, aber nicht notwendig
• Python-Kenntnisse sind hilfreich, aber nicht notwendig

• Data Scientists und Analysten
• Softwareentwickler