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

Lehrveranstaltungen:

• • Maschinelles Lernen für Zeitreihen
    (Vorlesung, 2 SWS, Björn Eskofier et al., Mi, 8:15 - 9:45, 00.010)
  • Maschinelles Lernen für Zeitreihen Übung
    (Übung, 2 SWS, Nooshin Haji Ghassemi et al., Di, 10:15 - 11:45, CIP-Pool MB Konrad-Zuse-Str. 3; Please organise a login for the CIP-Maschinenbau to participate in this exercise: http://www.cip.mb.uni-erlangen.de/main.phtml?standort=pgs&sub=pgs&page=inside)

Empfohlene Voraussetzungen:

Es wird empfohlen, folgende Module zu absolvieren, bevor dieses Modul belegt wird:

Pattern Analysis (SS 2018)
Introduction to Pattern Recognition (WS 2017/2018)
Pattern Recognition (WS 2017/2018)

Inhalt:

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

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_2202195

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

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

Verwendbarkeit des Moduls / Einpassung in den Musterstudienplan:
Das Modul ist im Kontext der folgenden Studienfächer/Vertiefungsrichtungen verwendbar:

1. Computational Engineering (Rechnergestütztes Ingenieurwesen) (Master of Science)
   (Po-Vers. 2013 | TechFak | Computational Engineering (Rechnergestütztes Ingenieurwesen) (Master of Science) | Wahlpflichtbereich Technisches Anwendungsfach | Medical Engineering)
2. Elektrotechnik, Elektronik und Informationstechnik (Bachelor of Science)
   (Po-Vers. | TechFak | Elektrotechnik, Elektronik und Informationstechnik (Bachelor of Science) | Gesamtkonto | Technische Wahlfächer (aus dem Angebot der Technischen Fakultät frei wählbar))
3. Elektrotechnik, Elektronik und Informationstechnik (Bachelor of Science)
   (Po-Vers. 2009 | TechFak | Elektrotechnik, Elektronik und Informationstechnik (Bachelor of Science) | Wahlfächer | Technische Wahlfächer (aus dem Angebot der Technischen Fakultät frei wählbar))
4. Elektrotechnik, Elektronik und Informationstechnik (Master of Science)
   (Po-Vers. 2015s | TechFak | Elektrotechnik, Elektronik und Informationstechnik (Master of Science) | Gesamtkonto | Wahlmodulbereich aus der FAU)
5. Informatik (Bachelor of Arts (2 Fächer))
   (Po-Vers. 2010 | TechFak | Informatik (Bachelor of Arts (2 Fächer)) | Vertiefung Informatik I und II | Vertiefungsmodul Mustererkennung)
6. Informatik (Bachelor of Arts (2 Fächer))
   (Po-Vers. 2013 | TechFak | Informatik (Bachelor of Arts (2 Fächer)) | Vertiefung Informatik I und II | Vertiefungsmodul Mustererkennung)
7. Informatik (Bachelor of Science)
   (Po-Vers. 2009s | TechFak | Informatik (Bachelor of Science) | Wahlpflichtbereich (5. und 6. Semester) | Wahlpflichtmodule | Vertiefungsrichtung Mustererkennung)
8. Informatik (Bachelor of Science)
   (Po-Vers. 2009w | TechFak | Informatik (Bachelor of Science) | Wahlpflichtbereich (5. und 6. Semester) | Wahlpflichtmodule | Vertiefungsrichtung Mustererkennung)
9. Informatik (Master of Science)
   (Po-Vers. 2010 | TechFak | Informatik (Master of Science) | Wahlpflichtbereich | Säule der anwendungsorientierten Vertiefungsrichtungen | Vertiefungsrichtung Mustererkennung)
10. Mathematik (Bachelor of Science)
    (Po-Vers. 2015w | NatFak | Mathematik (Bachelor of Science) | Module des Nebenfachs | Nebenfach Informatik | Vertiefungsmodule | Vertiefungsrichtung Mustererkennung)
11. Medizintechnik (Master of Science)
    (Po-Vers. 2013 | TechFak | Medizintechnik (Master of Science) | Studienrichtung Medizinische Bild- und Datenverarbeitung | M2 Ingenieurwissenschaftliche Kernmodule (BDV))
12. Medizintechnik (Master of Science)
    (Po-Vers. 2018w | TechFak | Medizintechnik (Master of Science) | Studienrichtung Medizinische Bild- und Datenverarbeitung | M2 Ingenieurwissenschaftliche Kernmodule (BDV))

Studien-/Prüfungsleistungen:

Maschinelles Lernen für Zeitreihen (Prüfungsnummer: 428256)

(englischer Titel: Machine Learning for Time Series)

Prüfungsleistung, mündliche Prüfung, Dauer (in Minuten): 30, benotet

Anteil an der Berechnung der Modulnote: 100.0 %

Prüfungssprache: Deutsch oder Englisch

Erstablegung: WS 2018/2019, 1. Wdh.: SS 2019

1. Prüfer:

Björn Eskofier