Zeitreihenanalyse mit Machine Learning

Seminarziel

Das Seminarziel für Unternehmen besteht darin, ihren Mitarbeitern  Kenntnisse und Fähigkeiten in der Anwendung von Machine  Learning-Techniken zur Zeitreihenanalyse zu vermitteln. Durch die  Schulung sollen die Teilnehmer in der Lage sein, Zeitreihendaten  effektiv zu analysieren, präzise Prognosen zu erstellen und fundierte  Entscheidungen auf Basis dieser Vorhersagen zu treffen. Das Seminar  zielt darauf ab, die Effizienz und Produktivität des Unternehmens zu  steigern, Kosten zu reduzieren, die Kundenzufriedenheit zu verbessern  und einen Wettbewerbsvorteil zu erlangen.

Inhalt

• Grundlagen der Zeitreihenanalyse:
  • Definition von Zeitreihen und deren Anwendungsgebiete
  • Charakteristische Eigenschaften von Zeitreihendaten (Trend, Saisonalität, Rauschen)
  • Zeitreihendatenvisualisierung und -exploration
• Einführung in Machine Learning für Zeitreihen:
  • Überblick über gängige Machine Learning-Modelle für Zeitreihenprognosen
  • Unterschiede zwischen traditioneller Statistik-basierten Zeitreihenanalyse und ML-Ansätzen
  • Vor- und Nachteile der Verwendung von ML in der Zeitreihenanalyse
• Data Preprocessing für Zeitreihen:
  • Behandlung fehlender Werte und Ausreißer in Zeitreihendaten
  • Skalierung und Normalisierung von Zeitreihen für ML-Modelle
  • Zeitliche Strukturierung: Erzeugung von Lags und Rolling Windows für das Training von ML-Modellen
• Feature Engineering für Zeitreihen :
  • Identifikation relevanter Features und Einflussgrößen in Zeitreihendaten
  • Extraktion von Zeitreihenmerkmalen (z. B. Trend, Saisonalität) für die Vorhersage
  • Möglichkeiten der Dimensionalitätsreduktion für Zeitreihenmerkmale
• Grundprinzipien von SVM:
  • Funktionsweise von Support Vector Machines und Entscheidungsgrenzen
  • Kernel-Trick und seine Bedeutung für nichtlineare Probleme
  • C-Parameter und die Bedeutung der Regularisierung
• Anwendung von SVM auf Zeitreihen:
  • Anpassung von SVM auf Zeitreihenstruktur (zeitliche Abhängigkeiten)
  • Verwendung von SVM für Einzelwertprognosen und Mehrschrittprognosen
  • Bewertung der Vorhersagequalität und Vergleich mit anderen ML-Modellen
• Hyperparameter-Tuning für SVM:
  • Cross-Validation und Grid Search zur Optimierung von SVM-Parametern
  • Auswirkungen verschiedener Kernel auf die Leistung des Modells
  • Overfitting und Underfitting in SVM und wie sie vermieden werden können
• Praktisches Training mit SVM und Zeitreihen:
  • Implementierung von SVM mit Python-Bibliotheken (z. B. Scikit-learn)
  • Aufteilung der Daten in Trainings- und Testsets
  • Schulung von SVM-Modellen für verschiedene Zeitreihenprognoseaufgaben
• Grundlagen von Random Forests :
  • Ensemble-Methoden und ihre Vorteile für Zeitreihenprognosen
  • Entscheidungsbäume als Grundlage für Random Forests
  • Zufällige Merkmalsauswahl und Bootstrapping im Random Forest-Verfahren
• Anwendung von Random Forests auf Zeitreihen:
  • Berücksichtigung von zeitlichen Abhängigkeiten in der Random Forest-Vorhersage
  • Kombination von mehreren Entscheidungsbäumen zur Zeitreihenprognose
  • Vergleich von Einzelwert- und Mehrschrittprognosen mit Random Forests
• Hyperparameter-Tuning für Random Forests:
  • Optimierung der Anzahl von Bäumen und der Tiefe der Bäume
  • Einfluss der Merkmalsauswahl auf die Modellleistung
  • Cross-Validation und Randomized Search für die Hyperparameter-Optimierung
• Praktisches Training mit Random Forests und Zeitreihen:
  • Implementierung von Random Forests mit Python-Bibliotheken (z. B. Scikit-learn)
  • Aufteilung der Daten in Trainings- und Testsets
  • Schulung von Random Forest-Modellen für verschiedene Zeitreihenprognoseaufgaben
• Bewertung der Leistung von SVM und Random Forests:
  • Auswahl geeigneter Leistungsmetriken für Zeitreihenprognosen (z. B. Mean Absolute Error, Mean Squared Error)
  • Visualisierung von Vorhersagen und tatsächlichen Zeitreihenwerten
  • Statistische Tests für den Vergleich der Modelle
• Auswahl des besten Modells für die gegebene Zeitreihenprognoseaufgabe:
  • Berücksichtigung von Modellgenauigkeit und -komplexität
  • Anwendung von Ensemble-Methoden zur Verbesserung der Vorhersagequalität
  • Interpretierbarkeit der Modelle und deren Auswirkung auf die Entscheidungsfindung
• Fortgeschrittene Themen in der Zeitreihenanalyse mit Machine Learning:
  • Zeitreihen-Ensemble-Methoden: Kombination von Vorhersagen mehrerer Modelle
  • Fortgeschrittene Modelle für Zeitreihen: z. B. LSTM (Long Short-Term Memory) für sequenzielle Daten
  • Umgang mit unbalancierten Zeitreihen: Techniken zur Bewältigung von Klassenungleichgewicht in den Daten
• Praktisches Training mit fortgeschrittenen Modellen:
  • Implementierung und Vergleich von Ensemble-Methoden und fortgeschrittenen Modellen
  • Abschließende Bewertung der Modelle und Diskussion ihrer Anwendbarkeit
  • Ausblick auf weitere Forschungsrichtungen und Entwicklungen in der Zeitreihenanalyse mit Machine Learning