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
  

• 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
  

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

PR ([online]):Maschinelles Lernen für Zeitreihen Laborprojekt

Dozentinnen/Dozenten: An Nguyen, M. Sc., Johannes Roider, M. Sc.
Zeit:

UE: Maschinelles Lernen für Zeitreihen Übung

Dozentinnen/Dozenten: Leo Schwinn, M. Sc., Philipp Schlieper, M. Sc.
Zeit und Ort: Do 16:15 - 17:45, CIP-Pool MB Konrad-Zuse-Str. 3; Bemerkung zu Zeit und Ort: 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