Alle Lernmaterialien für deinen Kurs Maschinelles Lernen für Zeitreihen

In diesem Modul lernst Du die grundlegenden Methoden und Techniken zur Analyse von zeitbasierten Daten. Du wirst in die statistischen Modelle und Methoden eingeführt, die speziell für Zeitreihen entwickelt wurden.

• Grundlagen der Zeitreihenanalyse
• Statistische Modelle für Zeitreihen
• Autoregressive Modelle (AR)
• Gleitende Durchschnitte (MA) und ARMA/ARIMA Modelle
• Signalverarbeitung und Saisonalität

Dieses Modul beschäftigt sich mit der Anwendung von neuronalen Netzen für die Vorhersage und Analyse von Zeitreihen. Du erlernst die Architektur, die Trainingsmethoden und die praktische Anwendung von neuronalen Netzwerken.

• Grundlagen künstlicher neuronaler Netze
• Recurrent Neural Networks (RNNs)
• Long Short-Term Memory (LSTM) Netze
• Trainingsmethoden und Optimierungsalgorithmen
• Anwendungsfälle und Implementierung in Python

Hier lernst Du die verschiedenen Modelle und Techniken kennen, die für die Prognose von zukünftigen Werten in einer Zeitreihe verwendet werden können. Der Schwerpunkt liegt auf der praktischen Anwendung und den Unterschieden zwischen den Modelltypen.

• Einführung in Vorhersagemodelle
• Lineare Regression und fortgeschrittene Regressionsmodelle
• Support Vector Machines (SVMs) für Zeitreihen
• Ensemble-Methoden und Boosting
• Modellvalidierung und Fehlermaße

Dieses Modul deckt die Techniken und Methoden ab, die zur Extraktion relevanter Merkmale aus Zeitreihendaten notwendig sind. Du lernst, wie Du die Vorverarbeitung der Daten optimierst, um die Performance Deiner Modelle zu verbessern.

• Grundlagen des Feature-Engineering
• Zeit- und Frequenzdomain-Features
• Lag-Features und differenzielles Feature-Engineering
• Handhabung von saisonalen und zyklischen Effekten
• Skalierung und Normalisierungstechniken

Du wirst verschiedene Methoden zur Evaluierung der Performance Deiner Vorhersagemodelle kennenlernen. Der Fokus liegt darauf, geeignete Metriken für unterschiedliche Anwendungsfälle zu identifizieren und anzuwenden.

• Einführung in Evaluierungsmethoden
• Fehlermaße wie MAE, MSE und RMSE
• Kreuzvalidierung und Bootstrapping
• ROC-Kurven und AUC
• Vergleich und Auswahl von Modellen