Modulcode: | infBSemZsnN-01a |
Englische Bezeichnung: | Bachelor Seminar - Time Series Predictions with Sequential Neural Networks |
Modulverantwortliche(r): | Prof. Dr. Sören Pirk |
Turnus: | unregelmäßig (WS23/24 WS24/25) |
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: |
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.
Die Studierenden
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.
Programmierkenntnisse in Python.
Deep Learning, Ian Goodfellow and Yoshua Bengio and Aaron Courville, 2016, MIT Press