Wie geht's eigentlich weiter?
- 00:00:00 Start
- 00:00:13 Zeitreihenprognose: Beispiel Stromlastprognose mit Keras Zeitreihenprognose: Beispiel Stromlastprognose mit Keras
- 00:00:54 Zeitreihen
- 00:01:33 Trendkomponente
- 00:01:37 Periodische Komponente
- 00:01:41 Rest oder irreguläre Komponente
- 00:01:55 Additive und multiplikative Komposition
- 00:02:23 Datenvorverarbeitung
- 00:02:33 Deseasonalize mit Seasonal_decompose()
- 00:04:59 Normalize
- 00:05:22 LSTM mit Keras
- 00:06:59 Grid- und Random-Search
- 00:07:30 Zusammenfassung
| Zugehörige Institution(en) am KIT | Institut für Technik der Informationsverarbeitung (ITIV) Universität Karlsruhe (TH) – Zentrale Einrichtungen (Zentrale Einrichtungen) Zentrum für Mediales Lernen (ZML) |
| Publikationstyp | Audio & Video |
| Publikationsdatum | 19.10.2021 |
| Erstellungsdatum | 20.09.2021 |
| Sprache | Deutsch |
| DOI | 10.5445/IR/1000139109 |
| Identifikator | KITopen-ID: 1000139109 |
| Lizenz | Creative Commons Namensnennung – Weitergabe unter gleichen Bedingungen 4.0 International |
| Bemerkung zur Veröffentlichung | Dieses Video behandelt die Zeitreihenprognose mit Hilfe von RNNs. Dazu werden zunächst die drei Komponenten einer Zeitreihe vorgestellt: Die Trendkomponente, die periodische Komponente und die Rest- oder irreguläre Komponente. Dieses Wissen wird verwendet, um mithilfe der Python-Library „Statsmodels“ eine Beispiel Zeitreihe in ihre Komponenten zu zerlegen und für das Training vorzubereiten. Das Training eines LSTM Modells wird anschließend exemplarisch in Python durchgeführt. |
| Serie | Angewandte Machine Learning Algorithmen (AMALEA) |
| Folge | 23 |