Machine Learning und Deep Learning Verfahren zur Analyse und Prognose von Zeitreihen und Prozessdaten

Dauer

Machine Learning und Deep Learning Verfahren zur Analyse und Prognose von Zeitreihen und Prozessdaten

GFU Cyrus AG
Logo von GFU Cyrus AG
Bewertung: starstarstarstar_halfstar_border 6,9 Bildungsangebote von GFU Cyrus AG haben eine durchschnittliche Bewertung von 6,9 (aus 8 Bewertungen)

Tipp: Haben Sie Fragen? Für weitere Details einfach auf "Kostenlose Informationen" klicken.

Startdaten und Startorte

Es gibt keine bekannten Startdaten für dieses Produkt.

GFU Cyrus AG bietet seine Kurse in den folgenden Regionen an: Augsburg, Berlin, Bielefeld, Bochum, Bonn, Braunschweig, Bremen, Chemnitz, Darmstadt, Dortmund, Dresden, Duisburg, Düsseldorf, Erfurt, Essen, Frankfurt am Main, Frankfurt an der Oder, Hamburg, Hannover, Heidelberg, Karlsruhe, Kassel, Kiel, Knittlingen, Köln, Lausitz, Leipzig, Magdeburg, Mannheim, Mecklenburg-Vorpommern, München, Münster, Neubrandenburg, Nürnberg, Paderborn, Potsdam, Regensburg, Rostock, Saarbrücken, Schwerin, Stralsund, Stuttgart, Trier, Ulm, Wiesbaden, Wuppertal, Würzburg

Beschreibung

Schulungen der Extraklasse ✔ Durchführungsgarantie ✔ Trainer aus der Praxis ✔ Kostenfreies Storno ✔ 3=2 Kostenfreie Teilnahme für den Dritten ✔ Persönliche Lernumgebung ✔ Kleine Lerngruppen

Seminarziel

Machine Learning- und Deep Learning-Techniken können komplexe verborgene Muster in Zeitreihendatensätzen extrahieren, die für klassische statistische Methoden unerreichbar sind. Das macht Deep Learning zu einem vielversprechenden Werkzeug für die Zeitreihenprognose. 

Dieses ML/DL Seminar zeigt, wie moderne neuronale Netze und die letzten Fortschritte im Deep Learning auf reale Vorhersageprobleme angewendet werden können. Der Kurs deckt Techniken des maschinellen Lernens ab, die für Prognoseprobleme relevant sind, von univariaten und multivariaten Zeitreihen von überwachtem Lernen bis hin zu modernsten Deep Forecasting-Modellen wie LSTMs, rekurrenten neuronalen Netzen (RNNs), dem…

Gesamte Beschreibung lesen

Frequently asked questions

Es wurden noch keine FAQ hinterlegt. Falls Sie Fragen haben oder Unterstützung benötigen, kontaktieren Sie unseren Kundenservice. Wir helfen gerne weiter!

Noch nicht den perfekten Kurs gefunden? Verwandte Themen: Deep Learning, Machine Learning, Python, Data Science und Künstliche Intelligenz.

Schulungen der Extraklasse ✔ Durchführungsgarantie ✔ Trainer aus der Praxis ✔ Kostenfreies Storno ✔ 3=2 Kostenfreie Teilnahme für den Dritten ✔ Persönliche Lernumgebung ✔ Kleine Lerngruppen

Seminarziel

Machine Learning- und Deep Learning-Techniken können komplexe verborgene Muster in Zeitreihendatensätzen extrahieren, die für klassische statistische Methoden unerreichbar sind. Das macht Deep Learning zu einem vielversprechenden Werkzeug für die Zeitreihenprognose. 

Dieses ML/DL Seminar zeigt, wie moderne neuronale Netze und die letzten Fortschritte im Deep Learning auf reale Vorhersageprobleme angewendet werden können. Der Kurs deckt Techniken des maschinellen Lernens ab, die für Prognoseprobleme relevant sind, von univariaten und multivariaten Zeitreihen von überwachtem Lernen bis hin zu modernsten Deep Forecasting-Modellen wie LSTMs, rekurrenten neuronalen Netzen (RNNs), dem Open-Source-Modell Prophet von Facebook und Amazon DeepAR-Modell.

Der Kurs ist auch für diejenigen geeignet, die mit der Arbeit an Vorhersageaufgaben anfangen möchten und zunächst mit traditionellen Modellen beginnen und schrittweise zu immer fortgeschritteneren Modellen übergehen möchten. 

Inhalt

  • 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 Matplotlib
  • Anwendung klassischer Machine Learning Verfahren auf Zeitreihen
    • Hintergrund: Klassifizierungs- und Schätzverfahren
    • Lineare Regression
    • Logistische Regression und Softmax
    • Polynomiale Regression
    • Workflow: Trainings-/Testdaten, Daten extrahieren, speichern und laden angelernter Modelle
  • 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
  • Deep Learning für Zeitreihen
    • Zeitreihenklassifikation
    • Multivariate Zeitreihenanalyse
    • Neuronale Netze für Zeitreihen
    • Hintergrund Deep Learning und rekurrente Netze
    • Deep-Learning Verfahren mit Keras anwenden
    • Aufbau und Funktionsweise rekurrenter neuronaler Netze (RNN) für Zeitreihen
    • Vorbereitung der Daten und Training mit LSTM/GRU
    • Transformer für Zeitreihen
    • Evaluation trainierter Modelle
    • Overfitting verhindern
    • Mit Generatoren trainieren
  • Facebook Prophet
    • Theorie und Intuition hinter Facebook Prophet
    • Facebook Prophet + XGBoost
    • Aufbereitung der Daten für Facebook Prophet
    • Erstellen und Trainieren von Zeitreihenmodellen
  • Amazon DeepAR 

Werden Sie über neue Bewertungen benachrichtigt

Es wurden noch keine Bewertungen geschrieben.

Schreiben Sie eine Bewertung

Haben Sie Erfahrung mit diesem Kurs? Schreiben Sie jetzt eine Bewertung und helfen Sie Anderen dabei die richtige Weiterbildung zu wählen. Als Dankeschön spenden wir € 1,00 an Stiftung Edukans.

Es wurden noch keine FAQ hinterlegt. Falls Sie Fragen haben oder Unterstützung benötigen, kontaktieren Sie unseren Kundenservice. Wir helfen gerne weiter!

Bitte füllen Sie das Formular so vollständig wie möglich aus

(optional)
(optional)
(optional)
(optional)
(optional)
(optional)

Haben Sie noch Fragen?

(optional)

Anmeldung für Newsletter

Damit Ihnen per E-Mail oder Telefon weitergeholfen werden kann, speichern wir Ihre Daten.
Mehr Informationen dazu finden Sie in unseren Datenschutzbestimmungen.