Zeitreihenanalysen in der Praxis: Von der Datenaufbereitung bis zur Prognose
.svg)
.svg)
.svg)
Machine Lerning Engineer
1. Grundlagen und explorative Analyse
- Warum Forecasting auf Zeitreihen?
- Univariate und multivariate Zeitreihen
- Zeitreihenkomponenten (Trend, Saisonalität, Zyklen, Noise)
- Visualisierung und deskriptive Statistik
2. Datenvorverarbeitung und Feature Engineering
- Umgang mit fehlenden Werten und Ausreißern
- Exogene Variablen: Kalender- und Ereignismerkmale
- Lag- und Rolling-Features für Forecast-Modelle
3. Baseline- und traditionelle Modelle
- Naive, saisonale und gleitende Baselines
- Klassische Verfahren (ARIMA, ETS, Prophet)
- Probabilistisches Forecasting und Konfidenzintervalle
4. Forecasting mit Deep-Learning-Methoden
- Regressions- und Ensemble-Modelle (Random Forest, XGBoost)
- Deep Learning für Sequenzen (RNN, LSTM, TCN)
- Aktuelle Frameworks einsetzen: SKForecast, GluonTS, Chronos
5. Evaluierung und Interpretierbarkeit
- Evaluierungsmetriken (MAPE, RMSE, MASE) richtig einsetzen
- Visualisierung von Prognosen und Residuen
- Explainable AI für Zeitreihenmodelle
6. Deployment und Monitoring
- Modellexport, Rolling Retrain, Drift-Erkennung
- Best Practices zur Wartung von Forecast-Pipelines
7. Praxis-Challenge
- Gruppenaufgabe: End-to-End-Forecast auf einer realen Datenbasis
Ganzheitlicher Prognose-Workflow: Lerne alle Schritte im datenbasierten Forecasting-Workflow kennen – vom Rohdatensatz zur belastbaren Prognose inklusive Unsicherheitsabschätzung.
Modellauswahl sicher beherrschen: Du erfährst, wann Statistik, Machine Learning und Deep Learning den größten Mehrwert liefern.
Zukunftsfähige Architekturen: Verstehe Deployment-, Retrain- und Monitoring-Optionen, um Modelle stabil in Produktion zu halten.
Bessere Geschäftsentscheidungen: Übersetze Prognosemetriken in konkrete KPIs und Risikobetrachtungen.
Erweiterbares Skill-Set: Framework-Vergleiche und Best Practices geben dir eine Roadmap für eigene Projekte.
Unterstützung beim Lerntransfer: Cloud-Lab, Quellcode, Jupyter Notebooks und Deploy-Blueprint sichern den Transfer in deinen Arbeitsalltag.
Dieses Online-Seminar wird in einer Gruppe von maximal 12 Teilnehmenden mit der Videokonferenz-Software Zoom durchgeführt.
Du arbeitest in einer cloudbasierten Laborumgebung, die dir von den Referent:innen bereitgestellt wird. Webbrowser und Internetanbindung genügen, es muss keine Software installiert werden.
Interaktive Jupyter Notebooks dienen als Lernmaterial und Arbeitsumgebung. Du erhältst Zugriff auf Quellcode, Dokumentation, Referenzen und Links.
Der Kurs wird in deutscher Sprache durchgeführt, die Kursunterlagen liegen durch den Fokus auf die Programmierung größtenteils auf Englisch vor.
Die bekommst Raum für deine Fragen – die individuelle Betreuung durch die Referent:innen ist garantiert.
Zugang zu weiterführenden Materialien erhältst du in deiner persönlichen Lernumgebung.
Daten-Analyst:innen, BI-Spezialist:innen, Data Scientists, ML-Engineers und Fachanwender:innen, die mit Zeitreihen-Daten arbeiten und Forecast-Pipelines konzipieren. Python-Grundkenntnisse und Basiswissen in Statistik werden vorausgesetzt.
.svg)
