Machine und Deep Learning Verfahren zur Analyse von Zeitreihen und Prozessdaten

In dieser 3-tägigen Schulung "Machine und Deep Learning Verfahren zur Analyse von Zeitreihen und Prozessdaten" erweitern Sie Ihre Kenntnisse im Bereich der Datenanalyse.

Die Entstehung von Zeitreihen- und Prozessdaten steht im engen Zusammenhang mit der fortschreitenden Digitalisierung von Wirtschaft und Produktion. Diese Daten zeichnen sich durch ihren zeitlichen Charakter aus, der es ermöglicht, kontinuierliche Prozesse abzubilden und zukunftsweisende Vorhersagen zu treffen.

Beispiele hierfür sind Sensordaten, die den Verschleiß von Teilen in Produktionsmaschinen oder Turbinen vorhersagen können, die historischen Verkaufszahlen eines Produkts, die Einblicke in künftige Verkaufstrends liefern, und die Kursentwicklung einer Aktie, die Aufschluss über ihren Wert in den kommenden Wochen oder Monaten geben kann.

Diese Schulung präsentiert Ihnen aktuelle Machine- und Deep-Learning Verfahren, die speziell für die Verarbeitung von Zeitreihendaten entwickelt wurden. Dabei werden sowohl statistische als auch konzeptuelle Hintergründe beleuchtet. Ein besonderer Schwerpunkt liegt auf praktischen Anwendungen mit relevanten Python-Bibliotheken wie Pandas, Scikit-Learn, Statsmodels und Tensorflow/Keras.

Das übergeordnete Ziel dieser Schulung besteht darin, Ihnen moderne Methoden zur Aufbereitung und Analyse von Prozessdaten zu vermitteln. Dadurch sollen Sie in der Lage sein, fundierte Geschäftsentscheidungen auf Basis dieser Erkenntnisse zu treffen und Ihr Fachwissen im Bereich der Datenanalyse gezielt einzusetzen.

Zum Seminar: Machine und Deep Learning Verfahren zur Analyse von Zeitreihen und Prozessdaten

1. Strukturierung und Vorbereitung von Zeitreihendaten

• Laden von Daten und grundlegende Datenverarbeitung mit Pandas
• Lückenlose Zeitreihen erstellen
• Mit gleitenden Mittelwerten arbeiten (rolling/moving means)
• Strategien zur Behandlung fehlender Werte
• Zeitfenster definieren und extrahieren
• Graphische Darstellung von Zeitreihen mit Matplotlip

2. Anwendung klassischer Machine Learning Verfahren auf Zeitreihen

• Hintergrund: Klassifzierungs- und Schätzverfahren
• Lineare Regression
• Logistische Regression und Softmax
• Polynomiale Regression
• Workflow: Train-/Testdaten, Daten extrahieren, speichern und laden angelernter Modelle

3. Spezielle Verfahren zur Vorhersage des zukünftigen Verlaufs einer Zeitreihe

• Komponenten einer Zeitreihe: Saison, Trend & Residuen
• Zeitreihen stationär machen
• Autokorrelation und partielle Autokorrelation
• Trends und Saisonale Effekte behandeln
• Integrierte Modelle zur Prognose des Verlaufs in der Zukunft
• ARMA und Seasonal ARIMA

4. Deep Learning für Zeitreihen

• Hintergrund Deep Learning und rekurrente Netze
• Einfache Deep-Learning Verfahren mit Keras anwenden
• Aufbau und Funktionsweise rekurrenter neuronaler Netze (RNN) für Zeitreihen
• Aufbau und Funktionsweise von Transformer-Netzen für Zeitreihen
• Vorbereitung der Daten und Training mit LSTM/GRU-Layern
• Evaluation eines angelernten Modells
• Overfitting verhindern