Analyse und Visualisierung von Zeitreihen-Daten in Python

Der zweitägige Kurs mit jeweils 9-15 Uhr vermittelt einen praxisnahen Einstieg in die Anwendung moderner KI-Methoden auf Zeitreihen- und Sequenzdaten. Nach einer Einführung in die Besonderheiten und Charakteristika von Zeitreihen sowie deren Aufbereitung für maschinelles Lernen (Resampling, Sliding Windows, Train/Test-Splits) lernen die Teilnehmer die Grundlagen neuronaler Netzwerke für Zeitreihen kennen. Der Kurs behandelt Schritt für Schritt zentrale Modellarchitekturen: von klassischen RNNs über LSTM- und GRU-Modelle bis hin zu modernen Ansätzen wie Temporal Convolutional Networks (TCN) und Transformer. Neben der Theorie steht die praktische Umsetzung im Vordergrund: Die Teilnehmer programmieren eigene Modelle in Python (u.a. mit Darts) und wenden diese auf reale Datensätze aus den Bereichen Energie, Wetter und Wirtschaft an. Ein weiterer Schwerpunkt liegt im Vergleich verschiedener Modellansätze – von traditionellen Verfahren wie ARIMA und Facebook Prophet über Machine Learning-Methoden bis hin zu Deep Learning. Dabei werden auch Evaluationsmetriken (MAE, RMSE, MAPE, SMAPE) und Best Practices wie Cross-Validation und die Vermeidung von Data Leakage behandelt. Der Kurs ist so konzipiert, dass Teilnehmer nicht nur die Grundlagen moderner Deep Learning Architekturen für Zeitreihen verstehen, sondern diese auch eigenständig implementieren, vergleichen und bewerten können. Damit richtet sich das Seminar an Data Scientists, Analysten und Fachanwender, die Zeitreihenprognosen in der Praxis anwenden und mit aktuellen KI-Methoden ihre Vorhersagequalität verbessern möchten.

Was lernen Sie im Python Zeitreihen Analyse Kurs Nach diesem Kurs sind die Teilnehmer in der Lage, Zeitreihendaten für Deep Learning Anwendungen eigenständig aufzubereiten und zu modellieren. Sie wissen, wie Daten für Sequenzmodelle vorbereitet werden (Resampling, Sliding Windows, Train/Test-Splits) und können neuronale Netzwerkarchitekturen wie RNNs, LSTMs und GRUs praktisch implementieren. Darüber hinaus lernen sie moderne Verfahren wie Temporal Convolutional Networks (TCN) und Transformer-Modelle kennen, die aktuell in Forschung und Industrie für Zeitreihenprognosen eingesetzt werden.

Die Teilnehmer entwickeln ein tiefes Verständnis für die Unterschiede zwischen klassischen statistischen Methoden (z. B. ARIMA, Prophet) und modernen KI-Verfahren. Sie sind in der Lage, Modelle systematisch zu vergleichen, mit relevanten Metriken (MAE, RMSE, MAPE, SMAPE) zu bewerten und bewährte Best Practices wie Cross-Validation und die Vermeidung von Data Leakage anzuwenden. Neben Prognosen erlangen sie zudem Einblicke in weitere Anwendungen von Zeitreihendaten im Machine Learning, wie Klassifikation oder Anomalieerkennung. Durch praxisnahe Fallbeispiele – etwa aus den Bereichen Energie, Wetter und Wirtschaft – erwerben die Teilnehmer ein solides Fundament, um Deep Learning für Zeitreihen in realen Projekten einzusetzen und die Vorhersagequalität zu verbessern. Dieses Training findet in Kooperation mit Enable AI statt.

Für den Kurs “Analyse und Visualisierung von Zeitreihen-Daten in Python” empfehlen wir entweder Vorkenntnisse / Vorerfahrung mit Zeitreihenanalyse oder mit Python, da das zügige Lerntempo für absolute Neulinge in beiden Bereichen oft nicht zu nachhaltigem

Der Kurs “Analyse und Visualisierung von Zeitreihen-Daten in Python” ist ideal für Teilnehmer, die lernen möchten, in Python mit Zeitreihendaten umzugehen und Vorhersagen zu treffen sowie Einblick in Clustering und Klassifikation von Zeitreihen zu bekomme

3 bis 8

1.130,50 € inkl. MwSt. (pro Person)