+49 911 65008-222 info@it-seminare.de

Intelligente Zeitreihen Analyse mit modernen Machine Learning Methoden

Seminardauer: 3 Tage

Seminarinformationen

Seminar - Ziel

Im 3-tägigen Seminar „Intelligente Zeitreihenanalyse mit modernen Machine-Learning-Methoden“ erhalten Sie umfassende Kenntnisse zur Analyse und Verarbeitung von Zeitreihendaten. Sie lernen die grundlegenden Konzepte kennen, darunter das Erkennen von Trends, Saisonalitäten und stationären Mustern, sowie wichtige Techniken zur Datenaufbereitung wie den Umgang mit fehlenden Werten und Daten-Normalisierung.

Ein weiterer Fokus liegt auf der Visualisierung von Zeitreihen und der Erkennung von Mustern und Anomalien. Zudem beschäftigen Sie sich mit Klassifikations- und Clustering-Verfahren für Zeitreihen, darunter Entscheidungsbäume, Random Forests sowie Clustering-Methoden wie k-Means und DBSCAN, unterstützt durch spezielle Metriken wie Dynamic Time Warping.

Am dritten Seminartag steht der Einsatz moderner Machine-Learning-Modelle im Mittelpunkt, darunter Recurrent Neural Networks (RNNs), Long Short-Term Memory Networks (LSTMs) und Convolutional Neural Networks (CNNs), die speziell für Zeitreihendaten entwickelt wurden. Sie lernen, wie diese Algorithmen zeitliche Abhängigkeiten erfassen und Muster erkennen können.

Praktische Übungen mit realen Datensätzen runden das Seminar ab und ermöglichen Ihnen, das Gelernte direkt in praxisnahen Anwendungen anzuwenden.

Teilnehmer - Zielgruppe

  • Datenanalysten, Data Scientists und KI-Experten, die Zeitreihen analysieren, klassifizieren oder mit Machine Learning verarbeiten möchten
  • Fachkräfte aus datenintensiven Branchen, die Zeitreihen Daten effektiv auswerten und charakterisieren müssen.
  • Ingenieure und technische Analysten, die mit zeitabhängigen Mess- und Sensordaten arbeiten, erhalten praxisnahe Methoden zur Erkennung von Mustern, Anomalien und Trends

Kurs - Voraussetzungen

  • Grundkenntnisse in Python (z. B. NumPy, Pandas) und Datenanalyse
  • Erste Berührungspunkte mit Machine Learning oder Statistik sind vorteilhaft

Seminardauer

  • 3 Tage
  • 09:00 Uhr bis 17:00 Uhr

Schulungsunterlagen

  • nach Absprache

Seminar-Inhalt / Agenda

Einführung und Grundlagen der Zeitreihenanalyse

Grundlagen von Zeitreihen

  • Was sind Zeitreihen und warum sind sie besonders?
  • Struktur und Merkmale: Trends, Saisonalität, Stationarität, Autokorrelation
  • Typische Anwendungsbereiche: Finanzmärkte, Medizin, IoT, Sensordaten

Datenaufbereitung

  • Umgang mit fehlenden Daten (Imputation)
  • Daten normalisieren, glätten und Trends entfernen

Visualisierung und Exploration

  • Muster und Anomalien erkennen (z. B. Moving Averages, Peaks)
  • Werkzeuge zur Visualisierung: Matplotlib, Seaborn

Praktische Übung

  • Analyse und Visualisierung eines Beispieldatensatzes (z. B. EKG-Daten, Energieverbrauch, Aktienkurse)

Klassifikation und Clustering von Zeitreihen

Klassische Klassifikationsmethoden

  • Überblick: Entscheidungsbäume, Random Forests, k-Nearest Neighbors (kNN)
  • Erstellung und Nutzung von Feature-Matrizen aus Zeitreihendaten
  • Feature-Engineering: Statistische Merkmale (Mittelwert, Varianz), Fourier-/Wavelet-Transformation

Clustering für Zeitreihen

  • Einführung in k-Means, hierarchisches Clustering und DBSCAN
  • Ähnlichkeitsmetriken speziell für Zeitreihen: Dynamic Time Warping (DTW)
  • Anwendung von Clustering auf unüberwachte Zeitreihendaten

Praktische Übung

  • Durchführung eines Klassifikationsprojekts mit Random Forests
  • Anwendung von Clustering-Algorithmen (z. B. Gruppierung von Maschinendaten oder Kundenverhalten)

Moderne Methoden mit Machine Learning

Einführung in Machine Learning für Zeitreihen

  • Grundlagen: Warum Machine Learning für zeitabhängige Daten geeignet ist
  • Übersicht neuronale Netze: Recurrent Neural Networks (RNNs), LSTMs, CNNs

Moderne ML-Methoden

  • RNNs und LSTMs: Umgang mit zeitlichen Abhängigkeiten
  • CNNs für Zeitreihen: Identifikation zeitlicher Muster mit Filtern
  • Hybride Ansätze: Kombination von CNN und LSTM

Praxis

  • Workflows mit echten Datensätzen: Datenaufbereitung, Klassifikation mit ML-Algorithmen
  • Branchenspezifische Anwendungen: z.B. EKG-Daten für Anomalie Detektion, Maschinenfehlererkennung, Kundenverhaltensanalyse
  • Präsentation und Diskussion der Ergebnisse

Weitere Schulungen zu Thema Data Mining - Machine Learning

MLOps Engineering on AWS

- u.a. in Nürnberg, Berlin, Stuttgart, München, Köln

In diesem 3-tägigen Seminar „MLOps Engineering on AWS“ erfahren Sie, wie sich die Prinzipien und Methoden des DevOps-Ansatzes auf die Entwicklung, das Training und die Bereitstellung von Machine-Learning-Modellen übertragen lassen. Der Fokus liegt auf der zentralen Rolle ...

Machine Learning mit Python und Scikit-learn

- u.a. in Nürnberg, Berlin, Stuttgart, München, Köln

In diesem 5-tägigen Seminar „Machine Learning mit Python und Scikit-learn“ erlernen Sie die Grundlagen von Python und die Anwendung von maschinellem Lernen. Der Kurs bietet eine detaillierte Einführung in Python und die Konzepte des maschinellen Lernens. Sie machen sich ...

Text Mining und Machine Learning mit Python

- u.a. in Hannover, Köln, Nürnberg, Heidelberg, Kassel

In dieser 5-tägigen Schulung „Text Mining und Machine Learning mit Python“ erlernen Sie die grundlegenden und fortgeschrittenen Methoden des Text Mining und des Machine Learning mit Python. Sie erwerben fundiertes Wissen in der Datenvorbereitung, Analyse und Darstellung. ...

Innovation durch AutoML - Datenanalyse und Vorhersagen auf Autopilot

- u.a. in Frankfurt am Main, München, Zürich, Dresden, Koblenz

Im 1-tägigen Seminar „Einführung in AutoML – Maschinelles Lernen leicht gemacht“ erfahren Sie, wie sich mit Hilfe von AutoML Daten automatisch vorverarbeiten und Machine-Learning-Modelle ohne tiefgehende Programmierkenntnisse trainieren lassen. So können Sie typische ...