Maschinelles Lernen für Zeitreihen Deluxe (MLTS+)7.5 ECTS
(englische Bezeichnung: Machine Learning for Time Series)
(Prüfungsordnungsmodul: Maschinelles Lernen für Zeitreihen Deluxe)

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)
  • Maschinelles Lernen für Zeitreihen Laborprojekt
    (Praktikum, 2 SWS, An Nguyen et al.)

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

Organisatorisches:

Die Studierenden haben die Wahlmöglichkeit, die mündliche Prüfung entweder auf Deutsch oder Englisch zu absolvieren.

Students can choose if they want to take the oral exam in German or English.

Verwendbarkeit des Moduls / Einpassung in den Musterstudienplan:

1. Artificial Intelligence (Master of Science)
   (Po-Vers. 2021s | TechFak | Artificial Intelligence (Master of Science) | Gesamtkonto | Wahlpflichtmodulbereich | Subsymbolic AI/Machine Learning | Maschinelles Lernen für Zeitreihen Deluxe)

Studien-/Prüfungsleistungen:

Maschinelles Lernen für Zeitreihen Deluxe (Prüfungsnummer: 482355)

(englischer Titel: Machine Learning for Time Series Deluxe)

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

Anteil an der Berechnung der Modulnote: 100.0 %

Prüfungssprache: Deutsch oder Englisch

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

1. Prüfer:

Björn Eskofier