Intelligente Zeitreihen Analyse mit modernen Machine Learning Methoden

Zeitreihen sind im Gesundheitswesen allgegenwärtig, von Vitalparametern bis zu Belegungsverläufen. Ein Beispiel: Ein Datenteam zerlegt die tägliche Inanspruchnahme der Notaufnahme in Trend und Saisonalität und markiert ungewöhnliche Spitzen als Anomalien für die weitere Prüfung.

In dieser 3-tägigen Schulung "Intelligente Zeitreihen Analyse mit modernen Machine Learning Methoden" erwerben Sie fundierte Kenntnisse in der Analyse und Verarbeitung von Zeitreihen Daten. Sie lernen die Grundlagen von Zeitreihen, einschließlich der Identifikation von Trends, Saisonalitäten und stationären Mustern, und entwickeln Fähigkeiten in der Datenaufbereitung, wie der Handhabung fehlender Werte und der Normalisierung von Daten. Zudem erlernen Sie Techniken zur Visualisierung von Zeitreihen sowie zur Erkennung von Mustern und Anomalien.

Ein weiterer Schwerpunkt liegt auf der Klassifikation und dem Clustering von Zeitreihen. Sie wenden klassische Methoden wie Entscheidungsbäume, Random Forests sowie Clustering-Techniken wie k-Means und DBSCAN an, unterstützt durch spezielle Metriken wie Dynamic Time Warping.

Am letzten Tag fokussieren Sie sich auf moderne Machine Learning-Methoden, darunter Recurrent Neural Networks (RNNs), Long Short-Term Memory Networks (LSTMs) und Convolutional Neural Networks (CNNs), die speziell für die Analyse von Zeitreihendaten entwickelt wurden. Sie lernen, wie diese Algorithmen genutzt werden, um zeitliche Abhängigkeiten zu modellieren und Muster in Zeitreihen zu erkennen.

Durch praxisorientierte Übungen mit realen Datensätzen können Sie das erlernte Wissen direkt in branchenspezifischen Anwendungen umsetzen.

• Datenanalysten, Data Scientists und KI-Experten, die Zeitreihen analysieren, klassifizieren oder mit Machine Learning verarbeiten möchten
• Fachkräfte aus datenintensiven Branchen, die Zeitreihen Daten effektiv auswerten und charakterisieren müssen.
• Ingenieure und technische Analysten, die mit zeitabhängigen Mess- und Sensordaten arbeiten, erhalten praxisnahe Methoden zur Erkennung von Mustern, Anomalien und Trends

• Grundkenntnisse in Python (z. B. NumPy, Pandas) und Datenanalyse
• Erste Berührungspunkte mit Machine Learning oder Statistik sind vorteilhaft

Die Lernmethodik des Kurses ist praxisorientiert: Nach kurzen Theorieeinheiten setzen die Teilnehmer:innen ihr Wissen direkt in praktischen Übungen um. Echte Datensätze sorgen für einen hohen Praxisbezug. Live-Demonstrationen und schrittweise Anleitungen erleichtern den Einstieg. Interaktive Diskussionen fördern das Verständnis.