Tijdreeksdata is essentieel in vakgebieden zoals finance, energie, gezondheidszorg en klimaatwetenschap. Deze gevorderde cursus bouwt voort op basiskennis en rust deelnemers uit met geavanceerde technieken voor voorspelling en anomaliedetectie.
De cursus begint met deep learning voor tijdreeksen, van multilayer perceptrons (MLPs) tot Variational Autoencoders (VAEs) en diffusiemodellen. Ook behandelen we probabilistische benaderingen, waaronder Gaussian processes voor principiële onzekerheidsschatting.
Daarnaast verkent de cursus geavanceerde anomaliedetectiemethoden, waaronder VAE-gebaseerde aanpakken en Matrix Profile voor motif- en discord-discovery. Ensemblemethoden voor het combineren van voorspellingen worden ook behandeld.
Door hands-on oefeningen en praktijkvoorbeelden ontwikkelen deelnemers praktische vaardigheden voor het toepassen van geavanceerde tijdreeksmethoden. Ideaal voor wie met basiskennis hun toolkit wil uitbreiden.
Afronding van de zomercursus Machine Learning for Time Series: Introduction of vergelijkbare kennis wordt aanbevolen.
Machine Learning for Time Series: Introduction
Leerdoelen
- Begrijp deep learning-architecturen voor tijdreeksen.
- Pas probabilistische benaderingen en onzekerheidsschatting toe.
- Implementeer geavanceerde anomaliedetectiemethoden.
- Combineer modellen met ensemblemethoden.
- Pas geavanceerde methoden toe op complexe praktijkproblemen.
