Modulcode:	infBSemZsnN-01a
Englische Bezeichnung:	Bachelor Seminar - Time Series Predictions with Sequential Neural Networks
Modulverantwortliche(r):	Prof. Dr. Sören Pirk
Turnus:	unregelmäßig (WS23/24)
Präsenzzeiten:	2S
ECTS:	5
Workload:	40 Std. Literaturrecherche, 50 Std. Verfassen der Ausarbeitung, 30 Std. Erstellung der Präsentation, 30 Std. Seminarteilnahme
Dauer:	ein Semester
Modulkategorien:	BSc-Inf-Sem (BSc Inf (21)) BSc-WInf-Sem (BSc WInf (21))
Lehrsprache:	Deutsch
Voraussetzungen:

Kurzfassung:

Dieses Seminar adressiert das Lernen von Modellen für die Analyse und Vorhersage von Zeitreihen. Zeitreihen sind temporär geordnete Datenpunkte, die z.B. stündlich, wöchentlich oder jährlich erhoben werden. Die Analyse und das Vorhersagen von Zeitreihen sind für eine Vielzahl verschiedener Bereiche (z.B. Wirtschaft, Fernerkundung, Robotik, Meteorologie) von großem Interesse. Mit Modellen für Zeitreihen soll das Vorhersagen von Trends ermöglicht werden, die es erlauben, Aussagen zur zukünftigen Entwicklung von Beobachtungen abzuleiten.

Lernziele:

Die Studierenden

• Verstehen Techniken zum Verarbeiten von zeitlich organisierten Daten
• Kennen verschiedene Architekturen sequentieller neuronaler Netzwerke
• Sind in der Lage sequentielle neuronale Netzwerke zu implementieren und zu trainieren

Lehrinhalte:

Ziel des Seminares ist es, Modelle für zeitlich organisierte Daten mit Hilfe von sequentiellen neuronalen Netzwerken zu lernen. Im Seminar werden verschiedene Architekturen von neuronalen Netzwerken vorgestellt (LSTM, ConvNets, Transformer) und deren Möglichkeiten zur Analyse und Vorhersage von Zeitreihen untersucht. Die Veranstaltung zielt insbesondere darauf ab, Kompetenzen im Umgang mit realen Daten und der Implementierung von sequentiellen neuronalen Netzwerkarchitekturen zu erwerben. Gerade in Bezug auf praktische Anwendungsfälle sollen Kompetenzen erworben werden, die es den Studierenden ermöglichen, eigene Modelle für die Zeitreihenvorhersage zu trainieren und zu verwenden. Im Rahmen des Seminars bearbeiten die Studierenden, alleine oder in Zweiergruppen, eine zeitreihenanalytische Fragestellung mit dem Ziel, ein eigenes, sequentielles Modell zu entwickeln und zu trainieren.

Weitere Voraussetzungen:

Programmierkenntnisse in Python.

Prüfungsleistung:

Lehr- und Lernmethoden:

Verwendbarkeit:

Literatur:

Deep Learning, Ian Goodfellow and Yoshua Bengio and Aaron Courville, 2016, MIT Press

Verweise:

Kommentar: