|
|
Maschinelles Lernen für Zeitreihen (MLTS)- Lecturers
- Prof. Dr. Björn Eskofier, Prof. Dr. Oliver Amft, Dr.-Ing. Christopher Mutschler
- Details
- Vorlesung
2 cred.h, benoteter certificate, ECTS studies, ECTS credits: 2,5, Sprache Englisch
Time and place: Wed 8:15 - 9:45, 00.010
- Fields of study
- WF ASC-MA ab 1 (ECTS-Credits: 2,5)
WF INF-MA ab 1 (ECTS-Credits: 2,5)
WF CE-MA-TA-MT ab 1 (ECTS-Credits: 2,5)
WF MT-MA ab 1 (ECTS-Credits: 2,5)
- Contents
- 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
- Contents
- 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, Maximale Teilnehmerzahl: 50
www: https://www.mad.tf.fau.de/teaching/courses/lv_id/41852857&sem=2018w/
- Assigned lectures
- PR: Maschinelles Lernen für Zeitreihen Laborprojekt
-
Lecturer: Nooshin Haji Ghassemi, M. Sc.
Time and place: n.V.
- UE: Maschinelles Lernen für Zeitreihen Übung
-
Lecturers: Nooshin Haji Ghassemi, M. Sc., Ivanna Timotius, M. Sc., Stefan Gradl, M. Sc.
Time and place: Tue 10:15 - 11:45, CIP-Pool MB Konrad-Zuse-Str. 3; comments on time and place: 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
- Verwendung in folgenden UnivIS-Modulen
- Startsemester WS 2018/2019:
- Maschinelles Lernen für Zeitreihen (MLTS)
- Maschinelles Lernen für Zeitreihen Deluxe (MLTS+)
- Department: Lehrstuhl für Informatik 14 (Maschinelles Lernen und Datenanalytik)
|
|
|