|
Maschinelles Lernen für Zeitreihen (MLTS)
- Lecturers
- Prof. Dr. Björn Eskofier, Dr.-Ing. Christopher Mutschler, Prof. Dr. Oliver Amft
- Details
- Vorlesung
Online 2 cred.h, benoteter certificate, ECTS studies, ECTS credits: 2,5, Sprache Englisch
Zeit: Wed 8:15 - 9:45, Zoom-Meeting
- 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 ([online]):Maschinelles Lernen für Zeitreihen Laborprojekt
-
Lecturer: Leo Schwinn, M. Sc.
Zeit:
- UE ([online]):Maschinelles Lernen für Zeitreihen Übung
-
Lecturers: Leo Schwinn, M. Sc., Franz Köferl, M. Sc.
Zeit: Tue 10:15 - 11:45, Zoom-Meeting; 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 2020/2021:
- Maschinelles Lernen für Zeitreihen (MLTS)
- Maschinelles Lernen für Zeitreihen Deluxe (MLTS+)
- Department: Lehrstuhl für Maschinelles Lernen und Datenanalytik
|
|
|