Maschinelles Lernen für Zeitreihen (MLTS)5 ECTS
(englische Bezeichnung: Machine Learning for Time Series)
(Prüfungsordnungsmodul: Maschinelles Lernen für Zeitreihen)

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:

1. Advanced Signal Processing & Communications Engineering (Master of Science)
   (Po-Vers. 2021w | TechFak | Communications Engineering (Master of Science) | Gesamtkonto | Technical Electives | 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