Maschinelles Lernen für Zeitreihen (MLTS)5 ECTS (englische Bezeichnung: Machine Learning for Time Series)
Modulverantwortliche/r: Dario Zanca, Björn Eskofier, Oliver Amft Lehrende:
Dario Zanca, Björn Eskofier, Oliver Amft, Luis Ignacio Lopera Gonzalez
Studienfächer/Prüfungsordnungsmodule:
Einfrieren der UnivIS-Modul-Beschreibung: 11.10.2021
Maschinelles Lernen für Zeitreihen (111518)
Startsemester: |
WS 2021/2022 | Dauer: |
1 Semester | Turnus: |
jährlich (WS) |
Präsenzzeit: |
60 Std. | Eigenstudium: |
90 Std. | Sprache: |
Englisch |
Lehrveranstaltungen:
-
-
Maschinelles Lernen für Zeitreihen
(Vorlesung, 2 SWS, Björn Eskofier et al., Di, 12:15 - 13:45, 05.025)
-
Maschinelles Lernen für Zeitreihen Übung
(Übung, 2 SWS, Leo Schwinn et al., Do, 16:15 - 17:45, 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 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.Es wird empfohlen, folgende Module zu absolvieren, bevor dieses Modul belegt wird:
Pattern Analysis (SS 2021)
Introduction to Pattern Recognition (WS 2020/2021)
Pattern Recognition (WS 2020/2021)
Inhalt:
Die Vorlesung vermittelt Konzepte des Maschinellen Lernens speziell im Hinblick auf Anwendungen bei Zeitreihen.
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_4034949
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
Verwendbarkeit des Moduls / Einpassung in den Musterstudienplan: Das Modul ist im Kontext der folgenden Studienfächer/Vertiefungsrichtungen verwendbar:
- Advanced Signal Processing & Communications Engineering (Master of Science)
(Po-Vers. 2016w | TechFak | Communications Engineering (Master of Science) | Gesamtkonto | Wahlmodule | Technical Electives | Maschinelles Lernen für Zeitreihen)
- Advanced Signal Processing & Communications Engineering (Master of Science)
(Po-Vers. 2020w | TechFak | Communications Engineering (Master of Science) | Gesamtkonto | Technical Electives | Maschinelles Lernen für Zeitreihen)
- Advanced Signal Processing & Communications Engineering (Master of Science)
(Po-Vers. 2021w | TechFak | Communications Engineering (Master of Science) | Gesamtkonto | Technical Electives | Maschinelles Lernen für Zeitreihen)
- Artificial Intelligence (Master of Science)
(Po-Vers. 2021s | TechFak | Artificial Intelligence (Master of Science) | Gesamtkonto | Wahlpflichtmodulbereich | Subsymbolic AI/Machine Learning | Maschinelles Lernen für Zeitreihen)
- Communications and Multimedia Engineering (Master of Science)
(Po-Vers. 2011 | TechFak | Communications and Multimedia Engineering (Master of Science) | Gesamtkonto | Wahlmodule | Technische Wahlmodule | Maschinelles Lernen für Zeitreihen)
- Computational Engineering (Master of Science)
(Po-Vers. 2016w | TechFak | Computational Engineering (Master of Science) | Gesamtkonto | Wahlpflichtbereich Technisches Anwendungsfach | Medical Engineering | Maschinelles Lernen für Zeitreihen)
- Computational Engineering (Rechnergestütztes Ingenieurwesen) (Master of Science)
(Po-Vers. 2013 | TechFak | Computational Engineering (Rechnergestütztes Ingenieurwesen) (Master of Science) | Gesamtkonto | Wahlpflichtbereich Technisches Anwendungsfach | Medical Engineering | Maschinelles Lernen für Zeitreihen)
- Data Science (Master of Science)
(Po-Vers. 2021w | Gesamtkonto | Studienrichtung Machine Learning / Artificial Intelligence | Maschinelles Lernen für Zeitreihen)
- 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) | Maschinelles Lernen für Zeitreihen)
- Elektrotechnik, Elektronik und Informationstechnik (Bachelor of Science)
(Po-Vers. 2017w | TechFak | Elektrotechnik, Elektronik und Informationstechnik (Bachelor of Science) | Technische Wahlfächer (aus dem Angebot der Technischen Fakultät frei wählbar) | Maschinelles Lernen für Zeitreihen)
- Elektrotechnik, Elektronik und Informationstechnik (Bachelor of Science)
(Po-Vers. 2019w | TechFak | Elektrotechnik, Elektronik und Informationstechnik (Bachelor of Science) | Gesamtkonto | Wahlfächer | Technische Wahlfächer (aus dem Angebot der Technischen Fakultät frei wählbar) | Maschinelles Lernen für Zeitreihen)
- Informatik (Bachelor of Arts (2 Fächer))
(Po-Vers. 2010 | TechFak | Informatik (Bachelor of Arts (2 Fächer)) | Vertiefung Informatik I und II | Vertiefungsmodul Mustererkennung | Maschinelles Lernen für Zeitreihen)
- Informatik (Bachelor of Arts (2 Fächer))
(Po-Vers. 2013 | TechFak | Informatik (Bachelor of Arts (2 Fächer)) | Vertiefung Informatik I und II | Vertiefungsrichtung Mustererkennung | Maschinelles Lernen für Zeitreihen)
- Informatik (Bachelor of Science)
(Po-Vers. 2009s | TechFak | Informatik (Bachelor of Science) | Wahlpflichtbereich (5. und 6. Semester) | Wahlpflichtmodule | Vertiefungsrichtung Mustererkennung | Maschinelles Lernen für Zeitreihen)
- Informatik (Bachelor of Science)
(Po-Vers. 2009w | TechFak | Informatik (Bachelor of Science) | Gesamtkonto | Wahlpflichtbereich (5. und 6. Semester) | Wahlpflichtmodule | Vertiefungsrichtung Mustererkennung | Maschinelles Lernen für Zeitreihen)
- Informatik (Master of Science)
(Po-Vers. 2010 | TechFak | Informatik (Master of Science) | Gesamtkonto | Wahlpflichtbereich | Säule der anwendungsorientierten Vertiefungsrichtungen | Vertiefungsrichtung Mustererkennung | Maschinelles Lernen für Zeitreihen)
- Mathematik (Bachelor of Science)
(Po-Vers. | NatFak | Mathematik (Bachelor of Science) | Module des Nebenfachs | Nebenfach Informatik | Vertiefungsmodule | Vertiefungsrichtung Mustererkennung | Maschinelles Lernen für Zeitreihen)
- Mathematik (Bachelor of Science)
(Po-Vers. 2019w | NatFak | Mathematik (Bachelor of Science) | weitere Module der Bachelorprüfung | Module des Nebenfachs | Nebenfach Informatik | Vertiefungsmodule | Vertiefungsrichtung Mustererkennung | Maschinelles Lernen für Zeitreihen)
- Mechatronik (Master of Science)
(Po-Vers. 2012 | TechFak | Mechatronik (Master of Science) | Mechatronik (Studienbeginn bis 30.09.2020) | Gesamtkonto | M3 Technische Wahlmodule | Maschinelles Lernen für Zeitreihen)
- Mechatronik (Master of Science)
(Po-Vers. 2020w | TechFak | Mechatronik (Master of Science) | Mechatronik (Studienbeginn ab 01.10.2020) | Gesamtkonto | M3 Technische Wahlmodule | Maschinelles Lernen für Zeitreihen)
- Mechatronik (Master of Science)
(Po-Vers. 2021w | TechFak | Mechatronik (Master of Science) | Mechatronik (Studienbeginn ab 01.10.2021) | Gesamtkonto | M3 Technische Wahlmodule | Maschinelles Lernen für Zeitreihen)
- Medizintechnik (Master of Science)
(Po-Vers. 2013 | TechFak | Medizintechnik (Master of Science) | Studienrichtung Medizinische Bild- und Datenverarbeitung | M2 Ingenieurwissenschaftliche Kernmodule (BDV) | Maschinelles Lernen für Zeitreihen)
- Medizintechnik (Master of Science)
(Po-Vers. 2018w | TechFak | Medizintechnik (Master of Science) | Studienrichtung Medizinische Bild- und Datenverarbeitung | M2 Ingenieurwissenschaftliche Kernmodule (BDV) | Maschinelles Lernen für Zeitreihen)
- Medizintechnik (Master of Science)
(Po-Vers. 2019w | TechFak | Medizintechnik (Master of Science) | Modulgruppen M1, M2, M3, M5, M7 nach Studienrichtungen | Studienrichtung Medizinische Bild- und Datenverarbeitung | M2 Ingenieurwissenschaftliche Kernmodule (BDV) | Maschinelles Lernen für Zeitreihen)
- Medizintechnik (Master of Science)
(Po-Vers. 2019w | TechFak | Medizintechnik (Master of Science) | Modulgruppen M1, M2, M3, M5, M7 nach Studienrichtungen | Study Field Health and Medical Data Analytics | M2 Engineering Core Modules (HMDA) | Maschinelles Lernen für Zeitreihen)
- Wirtschaftsinformatik (Bachelor of Science)
(Po-Vers. 2010 | ReWiFak | Wirtschaftsinformatik (Bachelor of Science) | Vertiefungsbereich und Schlüsselqualifikationen | Wahlbereich | Maschinelles Lernen für Zeitreihen)
- Wirtschaftsinformatik (Bachelor of Science)
(Po-Vers. 2015w | ReWiFak | Wirtschaftsinformatik (Bachelor of Science) | Gesamtkonto | Schlüsselqualifikationen | Wahlbereich | Maschinelles Lernen für Zeitreihen)
- Wirtschaftsinformatik (Bachelor of Science)
(Po-Vers. 2017w | ReWiFak | Wirtschaftsinformatik (Bachelor of Science) | Gesamtkonto | Vertiefungsbereich | Maschinelles Lernen für Zeitreihen)
- Wirtschaftsinformatik (Bachelor of Science)
(Po-Vers. 2018w | ReWiFak | Wirtschaftsinformatik (Bachelor of Science) | Gesamtkonto | Vertiefungsbereich | Maschinelles Lernen für Zeitreihen)
- Wirtschaftsinformatik (Bachelor of Science)
(Po-Vers. 2020w | ReWiFak | Wirtschaftsinformatik (Bachelor of Science) | Gesamtkonto | Wahlpflichtbereiche | Wahlpflichtbereich Informatik | Maschinelles Lernen für Zeitreihen)
Studien-/Prüfungsleistungen:
Maschinelles Lernen für Zeitreihen (Prüfungsnummer: 428256)
(englischer Titel: Machine Learning for Time Series)
zugeh. "mein campus"-Prüfung: | - 428256 Maschinelles Lernen für Zeitreihen (Gewichtung: 100.0 %, Prüfung, Form: variabel, Drittelnoten (mit 4,3), Dauer: -, 5 ECTS, Prüfung).
|
- Prüfungsleistung, Klausur, Dauer (in Minuten): 90, benotet, 5 ECTS
- Anteil an der Berechnung der Modulnote: 100.0 %
- Erstablegung: WS 2021/2022, 1. Wdh.: SS 2022
1. Prüfer: | Björn Eskofier (100122) |
- Termin: 05.04.2022, 10:00 Uhr, Ort: BASPH
Termin: 28.09.2022
Termin: 28.09.2022
|
|