Navigation

Maschinelles Lernen für Zeitreihen

Lecturers

Details

Time and place:

  • Wed 8:15-9:45, Room 00.010

Fields of study

  • WF ASC-MA from SEM 1
  • WF INF-MA from SEM 1
  • WF CE-MA-TA-MT from SEM 1
  • WF MT-MA from SEM 1

Content

Die Vorlesung vermittelt Konzepte des Maschinellen Lernens speziell im Hinblick auf Anwendungen bei Zeitreihen. 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.


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

Recommended Literature

- 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 - Reinforcement Learning: An Introduction, Richard S. Sutton and Andrew G. Barto, MIT press, 1998

ECTS information

Title

Lecture Machine Learning for Time Series

Credits

2,5

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

Additional information

Expected participants: 30

www: https://www.mad.tf.fau.de/teaching/courses/lv_id/41852857&sem=2018w/