Deep Learning mit Zeitreihen

Deep Learning Grundlagen

• Überblick über Deep Learning anhand eines Multi-Layer-Perceptrons

• Arbeiten mit rekurrenten neuronalen Netzen (RNN, LSTM, GRU)

• Moderne Ansätze im Deep Learning: Transformer-Architekturen

Klassische Methoden der Zeitreihenanalyse

• Zentrale Komponenten von Zeitreihen: Trend, Saisonalität und Residuen

• Umgang mit fehlenden Werten durch Interpolation

• Beispiel klassischer Verfahren: ARIMA-Modellierung

Anomalieerkennung in Zeitreihen

• Einsatz von Autoencodern zur Mustererkennung

• Praxisbeispiel: Anomalieerkennung in Zeitreihen mit Deep Learning

Deep Learning für Zeitreihenprognosen

• Forecasting mit Transformer-Architekturen

• Einführung in die Deep-Learning-Bibliothek PyTorch

• Temporal Fusion Transformer (TFT) im Überblick

• Praxisbeispiel: Zeitreihenprognosen mit PyTorch

AutoML und Zeitreihen

• Kombination von Deep Learning und klassischem Machine Learning

• Einführung in Amazons AutoGluon

• Praxisbeispiel: Forecasting mit AutoGluon