Analyse und Visualisierung von Zeitreihen-Daten mit Python - Online
Praxisnaher Einstieg in Prognosen und KI-Methoden für Zeitreihen
In diesem zweitägigen Seminar (9-15 Uhr) lernen Sie, Zeitreihendaten in Python zu analysieren, zu visualisieren und für Vorhersagen aufzubereiten. Neben klassischen Verfahren wie ARIMA und Prophet behandeln wir moderne Ansätze aus dem Machine Learning und Deep Learning:- RNN, LSTM, GRU
- Temporal Convolutional Networks (TCN)
- Transformer-Architekturen
Schwerpunkte:
- Datenaufbereitung für Sequenzmodelle (Resampling, Sliding Windows, Train/Test-Splits)
- Implementierung neuronaler Netzwerke in Python (u. a. mit Darts)
- Vergleich von Modellansätzen und Evaluationsmetriken (MAE, RMSE, MAPE, SMAPE)
- Best Practices: Cross-Validation, Vermeidung von Data Leakage
Praxisorientiert:
Arbeiten Sie mit realen Datensätzen aus Energie, Wetter und Wirtschaft und entwickeln Sie eigene Modelle für Prognose, Klassifikation und Anomalieerkennung.
Dieses Seminar richtet sich an:
Data Scientists, Analysten und Fachanwender, die Zeitreihenprognosen mit aktuellen KI-Methoden optimieren möchten.
Vorkenntnisse erforderlich
Vorkenntnisse erforderlich
- Entweder Erfahrung mit Zeitreihenanalyse oder mit Python
- Absoluten Anfängern in beiden Bereichen wird die Teilnahme nicht empfohlen
Ihr Abschluss:
Teilnahmebescheinigung
Jetzt anmelden
Inhalt:
Deep Learning mit Zeitreihendaten: Überblick
- Charakteristika und Besonderheiten von Zeitreihen/Sequenzdaten
- Codierung: Aufbereitung von Daten für die Zeitreihenanalyse (Resampling, Sliding Windows, Train/Test-Splits)
- Fallbeispiel: Trends in der Energieerzeugung
Neuronale Netzwerkarchitekturen - Grundlagen
- Einführung in RNNs
- Herausforderungen: Vanishing Gradient, lange Abhängigkeiten
- Codierung: Erste RNN-Implementierung mit Darts
- Praxisbeispiel: Vereinfachte Wetterprognosen
LSTM- und GRU-Modelle für Zeitreihen
- Theorie: Unterschiede LSTM vs. GRU
- Codierung: Implementierung von LSTMs und GRUs
- Praxisbeispiel: Prognose des Stromverbrauchs
Voraussetzungen
Der Kurs erfordert grundlegende Kenntnisse in entweder Zeitreihenanalyse oder Python, um dem Lerntempo folgen zu können. Allgemeine Erfahrungen mit Programmiersprachen und statistischen Grundlagen (z. B. Mittelwert, Standardabweichung) sind ebenfalls empfehlenswert. Teilnehmer sollten bereits Erfahrung im Umgang mit Daten haben, z. B. in Excel oder BI-Tools. Die Unterrichtssprache ist Deutsch, jedoch sind die Kursfolien auf Englisch, sodass grundlegendes Verständnis englischer Fachbegriffe erforderlich ist.Technik
Für die Schulung benötigen Sie einen Computer mit aktuellem Browser (Chrome, Firefox, Edge) sowie Mikrofon und Kopfhörer oder Lautsprecher. Eine Kamera ist optional.Es wird empfohlen, einen eigenen Laptop mit vorab installierter Software mitzubringen, wobei eine Installationsanleitung vor dem Seminar bereitgestellt wird. Teilnehmer sollten sicherstellen, dass ihr Laptop Zugang zum Internet hat, um während des Seminars digitale Unterlagen herunterzuladen.