Alle Lernmaterialien für deinen Kurs Maschinelles Lernen für Zeitreihen

Diese Sektion führt die grundlegenden Konzepte des maschinellen Lernens ein, die notwendig sind, um fortgeschrittene Themen wie Zeitreihenvorhersagen zu verstehen.

• Überwachtes Lernen und unüberwachtes Lernen
• Klassische Algorithmen wie lineare Regression und Entscheidungsbäume
• Grundlagen des Modelltrainings und der Modellvalidierung
• Datenskalierung und -vorverarbeitung
• Bewertung von Modellleistung durch Metriken wie Genauigkeit, Präzision und Recall

Hier werden Methoden zur Analyse von Zeitreihendaten behandelt, die notwendig sind, um zeitabhängige Muster und Trends zu identifizieren.

• Grundlagen der Zeitreihendaten und ihre Charakteristika
• Identifizierung von stationären und nicht-stationären Zeitreihen
• Anwendung der Autokorrelationsfunktion (ACF) und Partial-Autokorrelationsfunktion (PACF)
• Saisonale und zyklische Muster in Zeitreihen
• Transformationen und Differenzierung zur Stabilisierung von Zeitreihen

Diese Sektion konzentriert sich auf die Erstellung und Anwendung von Modellen zur Vorhersage zukünftiger Werte in Zeitreihendaten.

• Einführung in ARIMA-Modelle (AutoRegressive Integrated Moving Average)
• Parameteridentifikation und Modellanpassung
• GARCH-Modelle für Volatilitätsanalyse
• Modellbewertung und -auswahl
• Vorhersage von zukünftigen Zeitreihenwerten

Diese Sektion vermittelt fortschrittliche Techniken des Deep Learnings zur Modellierung und Vorhersage komplexer Zeitreihendaten.

• Einführung in neuronale Netzwerke und ihre Struktur
• Verwendung von RNNs (Recurrent Neural Networks) für Zeitreihen
• LSTM (Long Short-Term Memory) Netzwerke für langfristige Abhängigkeiten
• CNNs (Convolutional Neural Networks) für die Erkennung von Mustern in Zeitreihen
• Implementierung und Optimierung von Deep Learning Modellen

Praktische Übungen und Projekte vertiefen das Gelernte durch praktische Anwendungen und Lösungsfindung realer Probleme.

• Hands-on Sessions zur Implementierung von Algorithmen
• Arbeit mit realen Datensätzen zur Zeitreihenanalyse
• Teamprojekte zur Entwicklung von Vorhersagemodellen
• Anwendung von Bibliotheken und Tools wie TensorFlow und PyTorch
• Dokumentation und Präsentation der Projektresultate