- Vertiefendes Verständnis für grundlegende Konzepte und fortgeschrittene Techniken in der Datenwissenschaft erlangen
- Fokus auf Datenwissenschaft, maschinelles Lernen, Deep Learning, Python, Datenmodellierung und Datenvisualisierung
Grundlagen der Datenwissenschaft und Zeitreihenanalyse
- Einführung in die Prinzipien der Datenwissenschaft und deren Anwendung in der Vorhersage von Zeitreihen
- Wichtigkeit von maschinellem Lernen für die Vorhersage zukünftiger Trends basierend auf historischen Daten erfassen
- Präsentation häufiger Zeitreihenfragen in Wirtschaft, Finanzen und Volkswirtschaft
Verarbeitung von Zeitreihendaten
- Behandlung fehlender Daten und Ausreißer in zeitabhängigen Datensätzen mit Pandas und NumPy
- Transformation von Rohdaten zu prognosefähigen Formaten (z. B. Lag Features und Differenzen)
- Feature Engineering zur Extraktion bedeutender Merkmale wie Saisonalität und Trend
Entwicklung von Prognosemodellen
- Umsetzung klassischer Zeitreihenmodelle wie ARIMA und SARIMA
- Einsatz von Prophet zur Berücksichtigung saisonaler Muster und Feiertage
- Anwendung von ML-Modellen wie Random Forest und Gradient Boosting für Prognosen
Evaluierung der Modellgenauigkeit
- Nutzung von Metriken wie Mean Absolute Error und Root Mean Square Error zur Bewertung der Modellpräzision
- Einsatz von Kreuzvalidierung zur Vermeidung von Überanpassung und Überprüfung der Modellstabilität
- Optimierung der Prognosemodelle durch Messung der Vorhersagegenauigkeit