Tijdreeksdata is essentieel in vakgebieden zoals finance, energie, gezondheidszorg en klimaatwetenschap. Deze introducerende cursus biedt een solide basis in de tools en technieken voor het analyseren, voorspellen en detecteren van anomalieën in tijdreeksdata. Deelnemers leren patronen te ontdekken, voorspellingen te doen en ongewoon gedrag te identificeren: vaardigheden die cruciaal zijn in vele toepassingen.
De cursus begint met exploratieve data-analyse en fundamentele concepten zoals stationariteit en autocorrelatie. Vervolgens leren deelnemers ARIMA-modellen bouwen en interpreteren, een van de meest gebruikte klassieke voorspellingsmethoden. We introduceren ook multivariate tijdreeksvoorspelling en verkennen hoe machine learning-methoden zoals XGBoost kunnen worden aangepast voor sequentiële data door middel van feature engineering.
Daarnaast behandelt de cursus de basis van anomaliedetectie en change point-detectie, waarmee deelnemers systeemfouten, uitschieters of verschuivingen in datagedrag leren herkennen.
Door hands-on oefeningen en praktijkvoorbeelden ontwikkelen deelnemers praktische vaardigheden voor tijdreeksanalyse. Deze cursus is ideaal voor mensen die nieuw zijn in tijdreeksen of hun basiskennis willen verstevigen voordat ze verdergaan met complexere methoden.
Een gevorderde cursus over deep learning-benaderingen en geavanceerde voorspellings- en anomaliedetectietechnieken wordt apart aangeboden.
Leerdoelen
- Begrijp de fundamenten van tijdreeksen.
- Voorbewerk data en voer feature engineering uit.
- Train en evalueer voorspellingsmodellen (klassiek en ML).
- Begrijp anomaliedetectie en change point-detectie.
- Pas methoden toe op echte data en vermijd veelvoorkomende valkuilen.
