KIT | KIT-Bibliothek | Impressum | Datenschutz

Wie geht's eigentlich weiter?

Stang, Marco; Molinar, Gabriela

  • 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)
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
KIT – Die Forschungsuniversität in der Helmholtz-Gemeinschaft
KITopen Landing Page