Predictive Analytics: Datenbasierte Prognosen mit KI und Vorhersagemodellen

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

Im zweiten Webinar werden Sie das Gelernte aus den Modulen zuvor praktisch anwenden und erfahren, wie Sie mithilfe von etwas Python-Code Zeitreihen analysieren und interpretieren können. Sie lernen, wie Sie Zeitreihen in ihre Bestandteile wie Trend, Saisonalität und Rauschen zerlegen, um ein besseres Verständnis der zugrundeliegenden Muster zu gewinnen.

In der ersten Praxisphase haben Sie 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 Sie die Übungen nachmachen und auch experimentieren können. 

Tauchen Sie in ein in die Welt der Statistik, Regressionsmodelle und optimalen Entscheidungsfindung, und lernen Sie, mit Statistik in die Zukunft zu blicken. Dabei erfahren Sie 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 lernen Sie die multivariate Regression kennen, bei der mehrere unabhängige Variablen verwendet werden, und erfahren alles über die Herausforderungen bei der Erstellung dieser Modelle. Das Kapitel schließt mit Gradientenverfahren zur Optimierung von Regressionsmodellen und zeigt Ihnen, wie Sie die optimalen Parameter erreichen, um präzise Vorhersagen zu treffen.

Im dritten Webinar setzen Sie die neu gewonnenen Erkenntnisse in die Praxis um. Sie entwickeln zusammen mit den Referent:innen eine neue Regressionsklasse, mit der Sie präzise, statistische Vorhersagen für Ihre Zeitreihenobjekte treffen können.

In dieser Praxisphase haben Sie 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 beschäftigen Sie sich ausführlich mit Neuronalen Netzen und ihren Bausteinen. Sie erfahren dabei, wie KI-Modelle funktionieren und welche Vor- und Nachteile ihre jeweiligen Bausteine haben. Sie lernen 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 implementieren Sie Neuronale Netze in Python mithilfe von Pytorch. Sie gießen die gelernten Konzepte in Code und konzipieren in wenigen Schritten ihre eigenen tiefen Neuronalen Netze.

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

In dieser Lerneinheit machen Sie sich mit Transformer-Modellen vertraut und erfahren, warum diese optimal für Zeitreihenvorhersagen geeignet sind. Zu Beginn reflektieren Sie das bisher erworbene Wissen über Zeitreihen, Vorhersagemodelle und neuronale Netze. Dabei verknüpfen Sie die erlernten Inhalte mit Kernkonzepten des maschinellen Lernens und der Künstlichen Intelligenz und lernen die Funktionsweise von Transformern im Detail kennen. Zum Schluss erfahren Sie, wie Transformer angewendet werden und warum sie so erfolgreich sind.

Im letzten gemeinsamen Webinar implementieren Sie 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 Ihnen, schnell und unkompliziert Transformer-Modelle auf Ihre eigenen Daten anzuwenden.

Wie in jeder Praxisphase haben Sie 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.