Maschinelles Lernen für Zeitreihen (MLTS)5 ECTS
(englische Bezeichnung: Machine Learning for Time Series)

Lehrveranstaltungen:

• • Maschinelles Lernen für Zeitreihen
    (Vorlesung, 2 SWS, Björn Eskofier et al., Di, 08:15 - 09:45, 05.025)
  • Maschinelles Lernen für Zeitreihen Übung
    (Übung, 2 SWS, Leo Schwinn et al., Mi, 10:15 - 11:45, 0.68)

Empfohlene Voraussetzungen:

Es handelt sich hier um eine Spezialisierungsvorlesung, eine erfolgreiche Absolvierung der Vorlesungen „IntroPR“ und/oder „Pattern Recognition“/“Pattern Analysis“ wird empfohlen. Konzepte, die in „IntroPR“ vermittelt werden, werden hier als Grundwissen vorausgesetzt.

Es wird empfohlen, folgende Module zu absolvieren, bevor dieses Modul belegt wird:

Pattern Analysis (SS 2022)
Introduction to Machine Learning (WS 2021/2022)
Pattern Recognition (WS 2021/2022)

Inhalt:

Die Vorlesung vermittelt Konzepte des Maschinellen Lernens speziell im Hinblick auf Anwendungen bei Zeitreihen. Die folgenden Themen werden in der Vorlesung behandelt:

• Ein Überblick über die Anwendungsgebiete der Zeitreihenanalyse
  

• Methodische Grundlagen des Maschinellen Lernens (ML) für die Analyse von Zeitreihen, beispielsweise Gauß-Prozesse, Monte-Carlo Sampling und Deep Learning
  

• Design, Implementierung und Evaluation von ML Methoden, um Probleme in Zeitreihen zu adressieren
  

• Arbeitstechniken in bekannten Toolboxen zur Implementierung von relevanten Methoden, beispielsweise Tensorflow/Keras

Content
Aim of the lecture is to teach Machine learning (ML) methods for a variety of time series applications. The following topics will be covered:

• An overview of applications of time series analysis

• Fundamentals of Machine learning (ML) methods, such as Gaussian processes, Monte Carlo sampling methods and deep learning, for time series analysis
  

• Design, implementation and evaluation of ML methods in order to address time series problems
  

• Working with widely-used toolboxes that can be used for implementation of ML methods, such as Tensorflow or Keras

Lernziele und Kompetenzen:

• Die Studierenden sollen ein Verständnis für Zeitreihenprobleme und deren Lösungen in Applikationsgebieten der Industrie, Medizin, dem Finanzwesen, etc. entwickeln

• Die Studierenden erlernen Konzepte des Maschinellen Lernens im Allgemeinen und deren Anwendung auf Zeitreihen im Besonderen

• Die Studierenden erlernen die Charakteristika von Zeitreihendaten und werden zur Entwicklung und Implementierung von ML-Methoden angeleitet, um solche Daten in konkreten Fragestellungen zu modellieren, manipulieren und vorherzusagen.

Learning Objectives

• Students develop an understanding of concepts of time series problems and their wide applications in industry, medicine, finance, etc.

• Students learn concepts of machine learning (ML) methods in general and tackling time series problems in particular

• Students understand the characteristics of time series data and will be capable of developing and implementing ML methods to model, predict and manipulate such data in concrete problems
  

Studon: https://www.studon.fau.de/studon/goto.php?target=crs_4034949

Literatur:

• Machine Learning: A Probabilistic Perspective, Kevin Murphy, MIT press, 2012

• The Elements of Statistical Learning: Data Mining, Inference, and Prediction, Trevor Hastie, Robert Tibshirani, Jerome Friedman, Springer, 2009

• Deep Learning, Ian Goodfellow and Yoshua Bengio and Aaron Courville, MIT Press, 2016

Verwendbarkeit des Moduls / Einpassung in den Musterstudienplan:
Das Modul ist im Kontext der folgenden Studienfächer/Vertiefungsrichtungen verwendbar:

1. Advanced Signal Processing & Communications Engineering (Master of Science)
   (Po-Vers. 2016w | TechFak | Communications Engineering (Master of Science) | Gesamtkonto | Wahlmodule | Technical Electives | Maschinelles Lernen für Zeitreihen)
2. Advanced Signal Processing & Communications Engineering (Master of Science)
   (Po-Vers. 2020w | TechFak | Communications Engineering (Master of Science) | Gesamtkonto | Technical Electives | Maschinelles Lernen für Zeitreihen)
3. Advanced Signal Processing & Communications Engineering (Master of Science)
   (Po-Vers. 2021w | TechFak | Communications Engineering (Master of Science) | Gesamtkonto | Technical Electives | Maschinelles Lernen für Zeitreihen)
4. Artificial Intelligence (Master of Science)
   (Po-Vers. 2021s | TechFak | Artificial Intelligence (Master of Science) | Gesamtkonto | Wahlpflichtmodulbereich | Subsymbolic AI/Machine Learning | Maschinelles Lernen für Zeitreihen)
5. Communications and Multimedia Engineering (Master of Science)
   (Po-Vers. 2011 | TechFak | Communications and Multimedia Engineering (Master of Science) | Gesamtkonto | Wahlmodule | Technische Wahlmodule | Maschinelles Lernen für Zeitreihen)
6. Computational Engineering (Master of Science)
   (Po-Vers. 2016w | TechFak | Computational Engineering (Master of Science) | Gesamtkonto | Wahlpflichtbereich Technisches Anwendungsfach | Medical Engineering | Maschinelles Lernen für Zeitreihen)
7. Computational Engineering (Rechnergestütztes Ingenieurwesen) (Master of Science)
   (Po-Vers. 2013 | TechFak | Computational Engineering (Rechnergestütztes Ingenieurwesen) (Master of Science) | Gesamtkonto | Wahlpflichtbereich Technisches Anwendungsfach | Medical Engineering | Maschinelles Lernen für Zeitreihen)
8. Data Science (Master of Science)
   (Po-Vers. 2021w | Gesamtkonto | Studienrichtung Machine Learning / Artificial Intelligence | Maschinelles Lernen für Zeitreihen)
9. Elektrotechnik, Elektronik und Informationstechnik (Bachelor of Science)
   (Po-Vers. 2009 | TechFak | Elektrotechnik, Elektronik und Informationstechnik (Bachelor of Science) | Wahlfächer | Technische Wahlfächer (aus dem Angebot der Technischen Fakultät frei wählbar) | Maschinelles Lernen für Zeitreihen)
10. Elektrotechnik, Elektronik und Informationstechnik (Bachelor of Science)
    (Po-Vers. 2017w | TechFak | Elektrotechnik, Elektronik und Informationstechnik (Bachelor of Science) | Technische Wahlfächer (aus dem Angebot der Technischen Fakultät frei wählbar) | Maschinelles Lernen für Zeitreihen)
11. Elektrotechnik, Elektronik und Informationstechnik (Bachelor of Science)
    (Po-Vers. 2019w | TechFak | Elektrotechnik, Elektronik und Informationstechnik (Bachelor of Science) | Gesamtkonto | Wahlfächer | Technische Wahlfächer (aus dem Angebot der Technischen Fakultät frei wählbar) | Maschinelles Lernen für Zeitreihen)
12. Informatik (Bachelor of Arts (2 Fächer))
    (Po-Vers. 2010 | TechFak | Informatik (Bachelor of Arts (2 Fächer)) | Vertiefung Informatik I und II | Vertiefungsmodul Mustererkennung | Maschinelles Lernen für Zeitreihen)
13. Informatik (Bachelor of Arts (2 Fächer))
    (Po-Vers. 2013 | TechFak | Informatik (Bachelor of Arts (2 Fächer)) | Vertiefung Informatik I und II | Vertiefungsrichtung Mustererkennung | Maschinelles Lernen für Zeitreihen)
14. Informatik (Bachelor of Science)
    (Po-Vers. 2009s | TechFak | Informatik (Bachelor of Science) | Wahlpflichtbereich (5. und 6. Semester) | Wahlpflichtmodule | Vertiefungsrichtung Mustererkennung | Maschinelles Lernen für Zeitreihen)
15. Informatik (Bachelor of Science)
    (Po-Vers. 2009w | TechFak | Informatik (Bachelor of Science) | Gesamtkonto | Wahlpflichtbereich (5. und 6. Semester) | Wahlpflichtmodule | Vertiefungsrichtung Mustererkennung | Maschinelles Lernen für Zeitreihen)
16. Informatik (Bachelor of Science)
    (Po-Vers. 2022w | TechFak | Informatik (Bachelor of Science) | Gesamtkonto | Wahlpflichtbereich (Wahlpflichtmodule aus mind. 2 Vertiefungsrichtungen) | Vertiefungsrichtung Mustererkennung | Maschinelles Lernen für Zeitreihen)
17. Informatik (Master of Science)
    (Po-Vers. 2010 | TechFak | Informatik (Master of Science) | Gesamtkonto | Wahlpflichtbereich | Säule der anwendungsorientierten Vertiefungsrichtungen | Vertiefungsrichtung Mustererkennung | Maschinelles Lernen für Zeitreihen)
18. Mathematik (Bachelor of Science)
    (Po-Vers. | NatFak | Mathematik (Bachelor of Science) | Module des Nebenfachs | Nebenfach Informatik | Vertiefungsmodule | Vertiefungsrichtung Mustererkennung | Maschinelles Lernen für Zeitreihen)
19. Mathematik (Bachelor of Science)
    (Po-Vers. 2019w | NatFak | Mathematik (Bachelor of Science) | weitere Module der Bachelorprüfung | Module des Nebenfachs | Nebenfach Informatik | Vertiefungsmodule | Vertiefungsrichtung Mustererkennung | Maschinelles Lernen für Zeitreihen)
20. Mechatronik (Master of Science)
    (Po-Vers. 2012 | TechFak | Mechatronik (Master of Science) | Mechatronik (Studienbeginn bis 30.09.2020) | Gesamtkonto | M3 Technische Wahlmodule | Maschinelles Lernen für Zeitreihen)
21. Mechatronik (Master of Science)
    (Po-Vers. 2020w | TechFak | Mechatronik (Master of Science) | Mechatronik (Studienbeginn ab 01.10.2020) | Gesamtkonto | M3 Technische Wahlmodule | Maschinelles Lernen für Zeitreihen)
22. Mechatronik (Master of Science)
    (Po-Vers. 2021w | TechFak | Mechatronik (Master of Science) | Mechatronik (Studienbeginn ab 01.10.2021) | Gesamtkonto | M3 Technische Wahlmodule | Maschinelles Lernen für Zeitreihen)
23. Medizintechnik (Master of Science)
    (Po-Vers. 2013 | TechFak | Medizintechnik (Master of Science) | Studienrichtung Medizinische Bild- und Datenverarbeitung | M2 Ingenieurwissenschaftliche Kernmodule (BDV) | Maschinelles Lernen für Zeitreihen)
24. Medizintechnik (Master of Science)
    (Po-Vers. 2018w | TechFak | Medizintechnik (Master of Science) | Studienrichtung Medizinische Bild- und Datenverarbeitung | M2 Ingenieurwissenschaftliche Kernmodule (BDV) | Maschinelles Lernen für Zeitreihen)
25. Medizintechnik (Master of Science)
    (Po-Vers. 2019w | TechFak | Medizintechnik (Master of Science) | Modulgruppen M1, M2, M3, M5, M7 nach Studienrichtungen | Studienrichtung Medizinische Bild- und Datenverarbeitung | M2 Ingenieurwissenschaftliche Kernmodule (BDV) | Maschinelles Lernen für Zeitreihen)
26. Medizintechnik (Master of Science)
    (Po-Vers. 2019w | TechFak | Medizintechnik (Master of Science) | Modulgruppen M1, M2, M3, M5, M7 nach Studienrichtungen | Study Field Health and Medical Data Analytics | M2 Engineering Core Modules (HMDA) | Maschinelles Lernen für Zeitreihen)
27. Wirtschaftsinformatik (Bachelor of Science)
    (Po-Vers. 2010 | ReWiFak | Wirtschaftsinformatik (Bachelor of Science) | Vertiefungsbereich und Schlüsselqualifikationen | Wahlbereich | Maschinelles Lernen für Zeitreihen)
28. Wirtschaftsinformatik (Bachelor of Science)
    (Po-Vers. 2015w | ReWiFak | Wirtschaftsinformatik (Bachelor of Science) | Gesamtkonto | Schlüsselqualifikationen | Wahlbereich | Maschinelles Lernen für Zeitreihen)
29. Wirtschaftsinformatik (Bachelor of Science)
    (Po-Vers. 2017w | ReWiFak | Wirtschaftsinformatik (Bachelor of Science) | Gesamtkonto | Vertiefungsbereich | Maschinelles Lernen für Zeitreihen)
30. Wirtschaftsinformatik (Bachelor of Science)
    (Po-Vers. 2018w | ReWiFak | Wirtschaftsinformatik (Bachelor of Science) | Gesamtkonto | Vertiefungsbereich | Maschinelles Lernen für Zeitreihen)
31. Wirtschaftsinformatik (Bachelor of Science)
    (Po-Vers. 2020w | ReWiFak | Wirtschaftsinformatik (Bachelor of Science) | Gesamtkonto | Wahlpflichtbereiche | Wahlpflichtbereich Informatik | Maschinelles Lernen für Zeitreihen)

Studien-/Prüfungsleistungen:

Maschinelles Lernen für Zeitreihen (Prüfungsnummer: 428256)

(englischer Titel: Machine Learning for Time Series)

Prüfungsleistung, Klausur, Dauer (in Minuten): 90, benotet, 5 ECTS

Anteil an der Berechnung der Modulnote: 100.0 %

Erstablegung: WS 2022/2023, 1. Wdh.: SS 2023

1. Prüfer:

Björn Eskofier

Termin: 28.09.2022