Predictive Analytics: Datenbasierte Prognosen mit KI und Vorhersagemodellen

Entdecke in der ersten Lerneinheit, wie du mit Zeitreihenanalysen und Perspektivenwechsel fundierte Entscheidungen treffen kannst. Dabei werden die Konzepte der Predictive Analytics an anschaulichen Beispielen erklärt.

Im zweiten Webinar wirst du das zuvor Gelernte praktisch anwenden und erfährst, wie du mithilfe von Python-Code Zeitreihen analysieren und interpretieren kannst. Du lernst, wie du Zeitreihen in Bestandteile wie Trend, Saisonalität und Rauschen zerlegst, um ein besseres Verständnis der zugrundeliegenden Muster zu gewinnen.

In der ersten Praxisphase hast du die Möglichkeit, die im Kapitel erworbenen Kenntnisse und die im Webinar erarbeiteten Python-Klassen selbst auf konkrete Aufgabenstellungen anzuwenden. Dabei zum Einsatz kommen Jupyter Notebooks und Datensets, mit denen du die Übungen nachmachen und auch damit experimentieren kannst. 

Tauchen ein in die Welt der Statistik, Regressionsmodelle und optimalen Entscheidungsfindung, und lerne, mit Statistik in die Zukunft zu blicken. Dabei erfährst du alles über die Grundlagen von Regressionen, um Zusammenhänge zwischen Variablen zu identifizieren und Vorhersagen abzuleiten, sowie über das Gleichgewicht zwischen Überanpassung und besseren Ergebnissen. Danach lernst du die multivariate Regression kennen, bei der mehrere unabhängige Variablen verwendet werden, und du erfährst alles über die Herausforderungen bei der Erstellung dieser Modelle. Das Kapitel schließt mit Gradientenverfahren zur Optimierung von Regressionsmodellen und zeigt dir, wie du die optimalen Parameter erreichst, um präzise Vorhersagen zu treffen.

Im dritten Webinar setzt du die neu gewonnenen Erkenntnisse in die Praxis um. Du entwickelst zusammen mit den Referent:innen eine neue Regressionsklasse, mit der du präzise statistische Vorhersagen für deine Zeitreihenobjekte treffen kannst.

In dieser Praxisphase hats du die Möglichkeit, die in den Kapiteln zuvor erworbenen Kenntnisse und die im Webinar erarbeiteten Python-Klassen direkt auf konkrete Aufgabenstellungen anzuwenden. Dabei zum Einsatz kommen Jupyter Notebooks und bereitgestellte Datensets.

In dieser Selbstlerneinheit beschäftigst du dich ausführlich mit Neuronalen Netzen und ihren Bausteinen. Du erfährst dabei dabei, wie KI-Modelle funktionieren und welche Vor- und Nachteile ihre jeweiligen Bausteine haben. Lerne alles über:

• Konzepte und Funktionen von Neuronalen Netzen
• Aktivierungsfunktionen in Neuronalen Netzwerken
• Einführung in tiefe Neuronale Netzwerke und ihr Potenzial
• Einführung in Deep Learning und die entscheidende Rolle der Kettenregel
• Gradienten und Funktionsketten
• Verschwindende und explodierende Gradienten

In diesem Webinar implementierst du Neuronale Netze in Python mithilfe von Pytorch. Du gießt die gelernten Konzepte in Code und konzipierst in wenigen Schritten deine eigenen tiefen Neuronalen Netze.

In dieser Praxisphase wirst du die im Webinar erarbeiteten Python-Klassen direkt auf konkrete Aufgabenstellungen anwenden. Dabei zum Einsatz kommen Jupyter Notebooks und bereitgestellte Datensets.

In dieser Lerneinheit machst du dich mit Transformer-Modellen vertraut und erfährst, warum diese optimal für Zeitreihenvorhersagen geeignet sind. Zu Beginn reflektierst du das bisher erworbene Wissen über Zeitreihen, Vorhersagemodelle und neuronale Netze. Dabei verknüpfst du die erlernten Inhalte mit Kernkonzepten des maschinellen Lernens und der Künstlichen Intelligenz und lernst die Funktionsweise von Transformern im Detail kennen. Zum Schluss erfährst du, wie Transformer angewendet werden und warum sie so erfolgreich sind.

Im letzten gemeinsamen Webinar implementierst du zusammen mit den Referent:innen Transformer-Modelle in Python mithilfe von PyTorch. Die erlernten Konzepte wie Einbettungen, positionsbezogene Codierung und Aufmerksamkeitsmechanismen werden in flexiblen Klassen umgesetzt. Dies ermöglicht es dir, schnell und unkompliziert Transformer-Modelle auf eigene Daten anzuwenden.

Wie in jeder Praxisphase hast du die Möglichkeit, die im Kapitel erworbenen Kenntnisse und die im Webinar erarbeiteten Python-Klassen in Jupyter Notebooks direkt auf konkrete Aufgabenstellungen anzuwenden und damit zu experimentieren.