pds-it
['Produktdetailseite','nein']
Machine Learning & Data Analytics / Data Analytics
Die Illustrationen sind in Kooperation von Menschen und künstlicher Intelligenz entstanden. Sie zeigen eine Zukunft, in der Technologie allgegenwärtig ist, aber der Mensch im Mittelpunkt bleibt.
KI-generierte Illustration

Zeitreihenanalysen in der Praxis: Von der Datenaufbereitung bis zur Prognose

Online
2 Tage
Deutsch
PDF herunterladen
€ 1.390,–
zzgl. MwSt.
€ 1.654,10
inkl. MwSt.
Buchungsnummer
41724
Veranstaltungsort
Online
4 Termine
€ 1.390,–
zzgl. MwSt.
€ 1.654,10
inkl. MwSt.
Buchungsnummer
41724
Veranstaltungsort
Online
4 Termine
Werde zertifizierter
Machine Lerning Engineer
Dieser Kurs ist Bestandteil der zertifizierten Master Class "Machine Learning Engineer". Bei Buchung der gesamten Master Class sparst du über 15 Prozent im Vergleich zur Buchung dieses einzelnen Moduls.
Zur Master Class
Inhouse Training
Firmeninterne Weiterbildung nur für eure Mitarbeiter:innen - exklusiv und wirkungsvoll.
Anfragen
In Kooperation mit
Umsatzverläufe, Energieverbrauch oder Sensordaten – Zeitreihen enthalten wertvolle Muster, die Rückschlüsse auf vergangene Entwicklungen ermöglichen und fundierte Prognosen für die Zukunft erlauben. Mit passenden Modellen, die du gezielt auf deine Daten trainierst und optimierst, erreichst du hohe Prognosegenauigkeit. In diesem zweitägigen Live-Online-Seminar lernst du, Zeitreihen-Daten professionell aufzubereiten, geeignete Features abzuleiten und präzise Forecasts zu erstellen. Nach einer fundierten Einführung in Trend-, Saison- und Zykluskomponenten wendest du klassische Statistik-Methoden, Machine-Learning-Algorithmen und Deep-Learning-Modelle an und interpretierst deren Prognosequalität mithilfe robuster Metriken. Praxisnahe Übungen mit realistischen Datensätzen verdeutlichen, wie du Unsicherheit quantifizierst, Modelle erklärbar machst und in Produktion überführst. So erhältst du einen durchgängigen Workflow, um daten-getriebene Entscheidungen zuverlässig zu unterstützen.
Inhalte

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
Dein Nutzen

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.

Trainer:in
No items found.
Methoden

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.

Abschlussprüfung
Empfohlen für

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.

Starttermine und Details

Lernform

Learning form

17.11.2025
Online
Plätze frei
Durchführung gesichert
Online
Plätze frei
Durchführung gesichert
24.2.2026
Online
Plätze frei
Durchführung gesichert
Online
Plätze frei
Durchführung gesichert
10.6.2026
Online
Plätze frei
Durchführung gesichert
Online
Plätze frei
Durchführung gesichert
27.8.2026
Online
Plätze frei
Durchführung gesichert
Online
Plätze frei
Durchführung gesichert
Du hast Fragen zum Training?
Ruf uns an unter +49 761 595 33900 oder schreib uns auf service@haufe-akademie.de oder nutze das Kontaktformular.