UnivIS
Informationssystem der Friedrich-Alexander-Universität Erlangen-Nürnberg © Config eG 
FAU Logo
  Sammlung/Stundenplan    Modulbelegung Home  |  Rechtliches  |  Kontakt  |  Hilfe    
Suche:      Semester:   
 
 Darstellung
 
Druckansicht

 
 
 Außerdem im UnivIS
 
Vorlesungs- und Modulverzeichnis nach Studiengängen

Vorlesungsverzeichnis

 
 
Veranstaltungskalender

Stellenangebote

Möbel-/Rechnerbörse

 
 

  Maschinelles Lernen für Zeitreihen (MLTS)

Dozentinnen/Dozenten
Prof. Dr. Björn Eskofier, Prof. Dr. Oliver Amft, Dr. Dario Zanca, Dr. rer. nat. Luis Ignacio Lopera Gonzalez

Angaben
Vorlesung
Online
2 SWS, benoteter Schein, ECTS-Studium, ECTS-Credits: 2,5, Sprache Englisch
Zeit: Di 12:15 - 13:45, 05.025

Studienfächer / Studienrichtungen
WF ASC-MA ab 1 (ECTS-Credits: 2,5)
WF INF-MA ab 1 (ECTS-Credits: 2,5)
WF CE-MA-TA-MT ab 1 (ECTS-Credits: 2,5)
WF MT-MA ab 1 (ECTS-Credits: 2,5)
WPF AI-MA ab 1

Inhalt
Die Vorlesung vermittelt Konzepte des Maschinellen Lernens speziell im Hinblick auf Anwendungen bei Zeitreihen. 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.

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

Empfohlene 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

  • Reinforcement Learning: An Introduction, Richard S. Sutton and Andrew G. Barto, MIT press, 1998

ECTS-Informationen:
Title:
Lecture Machine Learning for Time Series

Credits: 2,5

Contents
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

Zusätzliche Informationen
Erwartete Teilnehmerzahl: 30, Maximale Teilnehmerzahl: 50

Zugeordnete Lehrveranstaltungen
PR ([online]):Maschinelles Lernen für Zeitreihen Laborprojekt
Dozentinnen/Dozenten: An Nguyen, M. Sc., Johannes Roider, M. Sc.
Zeit:
UE: Maschinelles Lernen für Zeitreihen Übung
Dozentinnen/Dozenten: Leo Schwinn, M. Sc., Philipp Schlieper, M. Sc.
Zeit und Ort: Do 16:15 - 17:45, CIP-Pool MB Konrad-Zuse-Str. 3; Bemerkung zu Zeit und Ort: Please organise a login for the CIP-Maschinenbau to participate in this exercise: http://www.cip.mb.uni-erlangen.de/main.phtml?standort=pgs&sub=pgs&page=inside

Verwendung in folgenden UnivIS-Modulen
Startsemester WS 2021/2022:
Maschinelles Lernen für Zeitreihen (MLTS)
Maschinelles Lernen für Zeitreihen Deluxe (MLTS+)

Institution: Lehrstuhl für Maschinelles Lernen und Datenanalytik
UnivIS ist ein Produkt der Config eG, Buckenhof