|
Maschinelles Lernen für Zeitreihen (MLTS)5 ECTS (englische Bezeichnung: Machine Learning for Time Series)
Modulverantwortliche/r: Dario Zanca, Björn Eskofier, [] Lehrende:
Dario Zanca, Björn Eskofier, [], Luis Ignacio Lopera Gonzalez
Startsemester: |
WS 2022/2023 | Dauer: |
1 Semester | Turnus: |
jährlich (WS) |
Präsenzzeit: |
60 Std. | Eigenstudium: |
90 Std. | Sprache: |
Englisch |
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:
- 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
|
![](/img/anew/void.gif) |
![](/img/anew/void.gif) |
|
UnivIS ist ein Produkt der Config eG, Buckenhof |
|
|