Kostenfreies Beratungsgespräch

Analyse und Visualisierung von Zeitreihen-Daten in Python

Lernen Sie, wie Sie ihre Zeitreihen-Daten in Python analysieren und visualisieren können.

In dieser Schulung lernen Sie, wie Sie Zeitreihen Daten in Python analysieren und visualisieren können. Neben einem Einblick in klassische Methoden zur Zeitreihenvorhersage  (ARIMA) werden auch Maschinelle Lernen Methoden behandelt (RNN, LSTM, GRU). Zudem werden Architekturen basierend auf Transformern, wie Temporal Convolutional Networks (TCN) behandelt

In dieser Schulung lernen Sie, wie Sie Zeitreihen Daten in Python analysieren und visualisieren können. Neben einem Einblick in klassische Methoden zur Zeitreihenvorhersage  (ARIMA) werden auch Maschinelle Lernen Methoden behandelt (RNN, LSTM, GRU). Zudem werden Architekturen basierend auf Transformern, wie Temporal Convolutional Networks (TCN) behandelt

Buchen ohne Risiko: kostenfrei bis zum Ende des 1. Seminartages zurücktreten
(*) zzgl. MwSt  (**) inkl. MwSt
Termin (2 Tage) Ort Belegung Preise
Do 05.03 -
Fr 06.03.26 		Live-Online
Zoom Meeting 		1.000,00 € (*)
1.190,00 € (**)
BUCHEN
Do 25.06 -
Fr 26.06.26 		Live-Online
Zoom Meeting 		1.000,00 € (*)
1.190,00 € (**)
BUCHEN
Do 15.10 -
Fr 16.10.26 		Live-Online
Zoom Meeting 		1.000,00 € (*)
1.190,00 € (**)
BUCHEN
Inhouse-/Firmenschulung:
  • Dauer: nach Absprache
  • Termin: nach Absprache
  • Angepasster Kurs zum Wunschtermin
  • Bei Ihnen vor Ort oder Online
  • Preis: nach Angebot
  • Sprachen: Deutsch oder Englisch
UNVERBINDLICH ANGEBOT ANFRAGEN
Kundenbewertungen & Erfahrungen zu Enable AI. Mehr Infos anzeigen.

Kurs auf einen Blick

Über die Schulung

  • Dauer: 2 Tage, 9-15 Uhr
  • Gruppengröße: 3-10
  • Level: Anfänger in Python mit Programmiererfahrung in einer anderen Sprache
  • Anteil Coding: 60%
  • Sprache: Python
  • Bibliotheken: pandas, darTS
  • Skript: .pdf (Theorie, Aufgaben & Lösungen)

Ihr Trainer für den Kurs

Unsere Trainer bei EnableAI

Seminar auf einen Blick

  • Einführung in Deep Learning mit Zeitreihendaten: Charakteristika, Datenaufbereitung und erste Anwendungen

  • Grundlagen rekurrenter Netze (RNNs): Theorie, Implementierung und Praxisbeispiele

  • Vertiefung: LSTM- und GRU-Modelle zur Prognose von Zeitreihen (z.B. Energie- und Verbrauchsdaten)

  • Moderne Architekturen für Zeitreihen: Temporal Convolutional Networks (TCN) und Transformer

  • Vergleich klassischer und moderner Verfahren: ARIMA, Prophet, Deep Learning und weitere Baselines

  • Evaluierung und Best Practices: Modellmetriken, Cross-Validation, Vermeidung von Data Leakage

  • Praxisorientierte Anwendungen aus Energie, Wetter und Wirtschaft mit Code-Demos

KURS BUCHEN

Beschreibung des Zeitreihen Kurs

Der zweitägige Kurs mit jeweils 9-15 Uhr vermittelt einen praxisnahen Einstieg in die Anwendung moderner KI-Methoden auf Zeitreihen- und Sequenzdaten. Nach einer Einführung in die Besonderheiten und Charakteristika von Zeitreihen sowie deren Aufbereitung für maschinelles Lernen (Resampling, Sliding Windows, Train/Test-Splits) lernen die Teilnehmer die Grundlagen neuronaler Netzwerke für Zeitreihen kennen. Der Kurs behandelt Schritt für Schritt zentrale Modellarchitekturen: von klassischen RNNs über LSTM- und GRU-Modelle bis hin zu modernen Ansätzen wie Temporal Convolutional Networks (TCN) und Transformer.

Neben der Theorie steht die praktische Umsetzung im Vordergrund: Die Teilnehmer programmieren eigene Modelle in Python (u.a. mit Darts) und wenden diese auf reale Datensätze aus den Bereichen Energie, Wetter und Wirtschaft an. Ein weiterer Schwerpunkt liegt im Vergleich verschiedener Modellansätze – von traditionellen Verfahren wie ARIMA und Facebook Prophet über Machine Learning-Methoden bis hin zu Deep Learning. Dabei werden auch Evaluationsmetriken (MAE, RMSE, MAPE, SMAPE) und Best Practices wie Cross-Validation und die Vermeidung von Data Leakage behandelt.

Der Kurs ist so konzipiert, dass Teilnehmer nicht nur die Grundlagen moderner Deep Learning Architekturen für Zeitreihen verstehen, sondern diese auch eigenständig implementieren, vergleichen und bewerten können. Damit richtet sich das Seminar an Data Scientists, Analysten und Fachanwender, die Zeitreihenprognosen in der Praxis anwenden und mit aktuellen KI-Methoden ihre Vorhersagequalität verbessern möchten.

Der zweitägige Kurs mit jeweils 9-15 Uhr vermittelt einen praxisnahen Einstieg in die Anwendung moderner KI-Methoden auf Zeitreihen- und Sequenzdaten. Nach einer Einführung in die Besonderheiten und Charakteristika von Zeitreihen sowie deren Aufbereitung für maschinelles Lernen (Resampling, Sliding Windows, Train/Test-Splits) lernen die Teilnehmer die Grundlagen neuronaler Netzwerke für Zeitreihen kennen. Der Kurs behandelt Schritt für Schritt zentrale Modellarchitekturen: von klassischen RNNs über LSTM- und GRU-Modelle bis hin zu modernen Ansätzen wie Temporal Convolutional Networks (TCN) und Transformer.

Neben der Theorie steht die praktische Umsetzung im Vordergrund: Die Teilnehmer programmieren eigene Modelle in Python (u.a. mit Darts) und wenden diese auf reale Datensätze aus den Bereichen Energie, Wetter und Wirtschaft an. Ein weiterer Schwerpunkt liegt im Vergleich verschiedener Modellansätze – von traditionellen Verfahren wie ARIMA und Facebook Prophet über Machine Learning-Methoden bis hin zu Deep Learning. Dabei werden auch Evaluationsmetriken (MAE, RMSE, MAPE, SMAPE) und Best Practices wie Cross-Validation und die Vermeidung von Data Leakage behandelt.

Der Kurs ist so konzipiert, dass Teilnehmer nicht nur die Grundlagen moderner Deep Learning Architekturen für Zeitreihen verstehen, sondern diese auch eigenständig implementieren, vergleichen und bewerten können. Damit richtet sich das Seminar an Data Scientists, Analysten und Fachanwender, die Zeitreihenprognosen in der Praxis anwenden und mit aktuellen KI-Methoden ihre Vorhersagequalität verbessern möchten.

Was lernen Sie im Python Zeitreihen Analyse Kurs

Nach diesem Kurs sind die Teilnehmer in der Lage, Zeitreihendaten für Deep Learning Anwendungen eigenständig aufzubereiten und zu modellieren. Sie wissen, wie Daten für Sequenzmodelle vorbereitet werden (Resampling, Sliding Windows, Train/Test-Splits) und können neuronale Netzwerkarchitekturen wie RNNs, LSTMs und GRUs praktisch implementieren. Darüber hinaus lernen sie moderne Verfahren wie Temporal Convolutional Networks (TCN) und Transformer-Modelle kennen, die aktuell in Forschung und Industrie für Zeitreihenprognosen eingesetzt werden.

Die Teilnehmer entwickeln ein tiefes Verständnis für die Unterschiede zwischen klassischen statistischen Methoden (z. B. ARIMA, Prophet) und modernen KI-Verfahren. Sie sind in der Lage, Modelle systematisch zu vergleichen, mit relevanten Metriken (MAE, RMSE, MAPE, SMAPE) zu bewerten und bewährte Best Practices wie Cross-Validation und die Vermeidung von Data Leakage anzuwenden.

Neben Prognosen erlangen sie zudem Einblicke in weitere Anwendungen von Zeitreihendaten im Machine Learning, wie Klassifikation oder Anomalieerkennung. Durch praxisnahe Fallbeispiele – etwa aus den Bereichen Energie, Wetter und Wirtschaft – erwerben die Teilnehmer ein solides Fundament, um Deep Learning für Zeitreihen in realen Projekten einzusetzen und die Vorhersagequalität zu verbessern.

Nach diesem Kurs sind die Teilnehmer in der Lage, Zeitreihendaten für Deep Learning Anwendungen eigenständig aufzubereiten und zu modellieren. Sie wissen, wie Daten für Sequenzmodelle vorbereitet werden (Resampling, Sliding Windows, Train/Test-Splits) und können neuronale Netzwerkarchitekturen wie RNNs, LSTMs und GRUs praktisch implementieren. Darüber hinaus lernen sie moderne Verfahren wie Temporal Convolutional Networks (TCN) und Transformer-Modelle kennen, die aktuell in Forschung und Industrie für Zeitreihenprognosen eingesetzt werden.

Die Teilnehmer entwickeln ein tiefes Verständnis für die Unterschiede zwischen klassischen statistischen Methoden (z. B. ARIMA, Prophet) und modernen KI-Verfahren. Sie sind in der Lage, Modelle systematisch zu vergleichen, mit relevanten Metriken (MAE, RMSE, MAPE, SMAPE) zu bewerten und bewährte Best Practices wie Cross-Validation und die Vermeidung von Data Leakage anzuwenden.

Neben Prognosen erlangen sie zudem Einblicke in weitere Anwendungen von Zeitreihendaten im Machine Learning, wie Klassifikation oder Anomalieerkennung. Durch praxisnahe Fallbeispiele – etwa aus den Bereichen Energie, Wetter und Wirtschaft – erwerben die Teilnehmer ein solides Fundament, um Deep Learning für Zeitreihen in realen Projekten einzusetzen und die Vorhersagequalität zu verbessern.

Rezensionen auf Google
5,0 ★★★★★ (30 Rezensionen)
Ilias Seifie
★★★★★
Ich habe an einem einwöchigen Kurs über Deep Learning teilgenommen. Die Kursmaterialien sind sehr gut und vollständig ausgearbeitet. Außerdem haben das Skript und auch der Kurs insgesamt eine sehr gute Struktur. Der Tutor ist sehr engagiert …
Aylin Keskin
★★★★★
Super Seminar ! (...) Die Inhalte waren sehr gut gegliedert und wurden absolut verständlich vermittelt. Insgesamt hat die Kombination aus theoretischen Inhalten und praktischen Übungen ein ganzheitliches Verständnis ermöglicht ...
Marvin
★★★★★
Sehr gutes Verhältnis aus Information und Zeit, sehr gute persönliche Ansprache, sehr angenehmer Vortrag ohne viel Bla-Bla. Insgesamt absolut zufrieden.
Martin Schlederer
★★★★★
Sehr hilfreicher Kurs um die praktischen basics von Künstlicher Intelligenz und neuronalen Netzwerken zu lernen. Theorie und Praxis in schneller Abwechslung um die gelernten Konzepte umzusetzen und zu üben ...
Alicia S.
★★★★★
Ein toller Kurs, durchgeführt mit geballter Expertise und einer Engelsgeduld bei der Beantwortung von Fragen und Behebung von Problemen. Ich habe in diesen drei Tagen enorm viel gelernt, ...

Alle Google Bewertungen

KURS BUCHEN
Kursinhalte

Organisatorisches

FAQ
Tag 1
Tag 2
09:00 – 09:15
Begrüßung und Organisatorisches
  • Vorstellungsrunde
  • Erwartungen der Teilnehmer
09:15 – 10:45
Deep Learning mit Zeitreihendaten: Überblick
  • Charakteristika und Besonderheiten von Zeitreihen/Sequenzdaten
  • Codierung: Aufbereitung von Daten für die Zeitreihenanalyse (Resampling, Sliding Windows, Train/Test-Splits)
  • Fallbeispiel: Trends in der Energieerzeugung
10:45 – 11:00
Kaffeepause
11:00 – 12:30
Neuronale Netzwerkarchitekturen – Grundlagen
  • Einführung in RNNs
  • Herausforderungen: Vanishing Gradient, lange Abhängigkeiten
  • Codierung: Erste RNN-Implementierung mit Darts
  • Praxisbeispiel: Vereinfachte Wetterprognosen
12:30 – 13:30
Mittagspause
13:30 - 15:00
LSTM- und GRU-Modelle für Zeitreihen
  • Theorie: Unterschiede LSTM vs. GRU
  • Codierung: Implementierung von LSTMs und GRUs
  • Praxisbeispiel: Prognose des Stromverbrauchs
09:00 – 09:15
Rückblick und offene Fragen vom Vortag
09:15 – 10:45
Moderne Architekturen für Zeitreihen
  • Temporal Convolutional Networks (TCN): Dilated Convolutions
  • Transformer-Ansätze: Self-Attention und Positionskodierung
  • Codierung: Demo TCN und einfacher Transformer
  • Praxisbeispiel: Energieverbrauchsprognose mit Transformer
10:45 – 11:00
Kaffeepause
11:00 – 12:30
Modellvergleich & Best Practices (Teil 1)
  • Starke Baselines: Naive, ARIMA, Prophet (Optional: Gradient Boosting)
  • Verständnis der Rolle von Baselines als Referenz für komplexere Deep Learning Modelle
  • Diskussion der Stärken und Grenzen klassischer Verfahren im Vergleich zu modernen KI-Methoden
12:30 – 13:30
Mittagspause
13:30 - 15:00
Modellvergleich & Best Practices (Teil 2)
  • Codierung: Vergleich Deep Learning vs. ARIMA vs. Prophet (Optional: XGBoost)
  • Metriken (MAE, RMSE, MAPE, SMAPE, probabilistische Metriken)
  • Best Practices: Data Leakage, Cross-Validation

Zielgruppe für das Zeitreihen Seminar

Der Kurs “Analyse und Visualisierung von Zeitreihen-Daten in Python” ist ideal für Teilnehmer, die lernen möchten, in Python mit Zeitreihendaten umzugehen und Vorhersagen zu treffen sowie Einblick in Clustering und Klassifikation von Zeitreihen zu bekommen. Vorerfahrung mit entweder Zeitreihenanalyse oder mit Python ist hierbei empfohlen (s. Voraussetzungen).

Voraussetzungen für die Weiterbildung in Zeitreihen Python

Für den Kurs “Analyse und Visualisierung von Zeitreihen-Daten in Python” empfehlen wir entweder Vorkenntnisse / Vorerfahrung mit Zeitreihenanalyse oder mit Python, da das zügige Lerntempo für absolute Neulinge in beiden Bereichen oft nicht zu nachhaltigem Lernerfolg führt. Haben Sie bereits mit Zeitreihendaten gearbeitet oder verfügen über theoretisches Grundlagenwissen, benötigen Sie keine Vorkenntnisse in Python. Jedoch sollten Sie über Grundkenntnisse in einer anderen Programmiersprache besitzen, damit bekannt ist, was eine Variable, eine Funktion bzw. eine for-Schleife ist. Umgekehrt gilt für Vorerfahrene in Python: Sie brauchen keine Vorkenntnisse im Umgang mit Zeitreihendaten, aber einen sicheren Umgang mit Bibliotheken wie pandas und matplotlib.

Das Seminar beinhaltet Verfahren, die auf statistischen Annahmen aufbauen, wodurch grundlegende Kenntnisse der Statistik notwendig sind. Begriffe wie Mittelwert, Median, Standardabweichung oder Korrelation sollten Ihnen bekannt sein. Alle Teilnehmer der Schulung sollten zudem Vorerfahrung mit dem Umgang von Daten haben, z.B. in Excel oder einer BI-Software, um der Einführung in den Spezialfall Zeitreihendaten in Python folgen zu können.

Unterrichtssprache ist Deutsch (bei genügend Teilnehmern kann auch eine englische Version dieses Kurses angeboten werden). Die Folien sind auf Englisch, da Python und die Dokumentation der Pakete sowie Fachbegriffe Englisch sind. Ein fachlicher englischer Text sollte daher grob verstanden werden, um der Schulung folgen zu können.

Didaktischer Aufbau vom Zeitreihen Seminar

Diese Schulung beinhaltet viele Programmieraufgaben. Die Teilnehmer lösen diese selbstständig mit der Unterstützung des Trainers mit Python mit dem Ziel, das Erlernte einzuüben und zu vertiefen. Individuelle Unklarheiten können vom Trainer direkt beantwortet werden.

Technik in der Zeitreihen Fortbildung

  • Die Teilnehmer benötigen für die Übungsaufgaben Laptops. Wir empfehlen, Ihren eigenen Laptop mit der vorab installierten Software mitzubringen. Eine genaue Installationsanleitung für die Software wird Ihnen vor dem Seminar per E-mail zugesandt.
  • Bitte prüfen Sie, ob Ihr Firmenlaptop Zugangsbeschränkungen im Internet hat. Die digitalen Unterlagen (Skript, Code, Dateien) werden im Seminar online zum Download zur Verfügung gestellt. Sie erhalten vor dem Seminar per E-Mail den Link zu einer Testdatei zum Download, um dies überprüfen zu können.
  • Im Seminar wird das Betriebssystem Windows verwendet. Der Umgang mit Ihrem verwendeten Betriebssystem und Laptop sollte bekannt sein. Insbesondere sollten Sie ohne Schwierigkeiten Sonderzeichen auf der Tastatur finden (insbesondere bei Apple Geräten werden auf manchen Tastaturen nicht immer runde, eckige bzw. geschweifte Klammern dargestellt).
Gibt es ein Buch, welches den Zeitreihen Python Kurs ergänzt?

Für das Seminar ist keine Zusatzlektüre notwendig. Grundsätzlich wird alles Wissen und Codebeispiele im Kurs so erklärt, dass es nicht nötig ist vor dem Kurs ein Buch zu lesen.

Bei Interesse, können Sie zur Vorbereitung gern mehr über die Grundlagen in der Programmiersprache Python lesen. Bspw. Paul Barry (2016) Head First Python, 2nd Edition. O’Reilly UK Ltd. oder Eric Matthes (2019) Python Crash Course, 2nd Edition. No Starch Press. Eine Einführung in die statistische Behandlung von Zeitreihen (ohne Machine Learning) gibt etwa Krauß& Neuhaus (2006) Einführung in die Zeitreihenanalyse. Springer. Zur Vertiefung nach dem Kurs geht bspw. Aileen Nielson (2019) Practical Time Series Analysis. O’Reilly UK Ltd. auch auf Machine Learning Ansätze ein.

Achten Sie außerdem darauf, dass Sie die Voraussetzungen (siehe Reiter Organisatorisches –> Voraussetzungen) erfüllen.

In welchen Städten wird das Python Zeitreihen Seminar angeboten?

Wir bieten den Kurs neben dem Live-Online Format auch in folgenden Städten an: Stuttgart, Ulm, Frankfurt, München, Hamburg, Berlin, Köln. Falls Sie die Schulung gerne in einer anderen Stadt oder direkt bei Ihnen im Unternehmen besuchen möchten, kontaktieren Sie uns gerne.

Ich möchte gerne viel coden und hands-on Lernen. Ist das der richtige Kurs?

Definitiv. Sie werden sich im Kurs wohlfühlen. Die erste von vier Lektionen am ersten Tag schafft die Grundlagen und sie können alles gleich selbst ausprobieren. Ab der zweiten Lektion ist mindestens die Hälfte der Zeit zum selbstständigen Üben, so dass Sie das Besprochene direkt coden können und selbst erkennen, wo noch Fragen bestehen, die Sie mit dem Dozenten direkt besprechen können.

Welche Lernmethoden werden verwendet?

Im Seminar enthält jeder Block (meist etwa 90 Minuten) eine oder mehrere Theorie- und Praxiseinheiten. Die Theorieeinheit dient dazu, Ihnen das nötige Wissen zu vermitteln, um die Herangehensweise zu verstehen und selbstständig arbeiten zu können. Der Fokus liegt auf der Praxis, d.h. dem Codeschreiben und selbstständigen Visualisieren. Fragen von Teilnehmern sind jederzeit möglich. Während der Praxiseinheit werden die Fragen individuell vom Dozenten beantwortet. Fragen von allgemeinem Interesse werden allen Teilnehmern erklärt. Die Folien, welche die Theorie und weitere Erklärungen vom Code enthalten erhalten Sie als pdf. Codebeispiele und zugehörige Visualisierungen liegen digital vor.

Wie sehen die Übungen für die Teilnehmer aus?

Die Übungen bestehen hauptsächlich aus selbstständigen Anwenden, d.h. Sie schreiben entweder kurze eigene Codebeispiele oder Sie werden gefragt, Codelücken in einem bestehenden Code zu ergänzen. Letzteres schult auch das Codeverstehen. Die Aufgaben und Beispiele sind so gewählt, dass die wichtigen Aufgaben von allen Teilnehmern in der verfügbaren Zeit gelöst werden können. Wir haben Coding Aufgaben unterschiedlichen Schwierigkeitsgrades vorbereitet, so dass schnellere Teilnehmer oder Teilnehmer mit Vorwissen zusätzlich an weiteren Aufgaben üben können.

Weitere FAQs
KURS BUCHEN
Bildungsschecks
Bildungsscheck Nordrhein Westfalen
Bildungsprämie
Wir akzeptieren den Bildungsscheck NRW und die Bildungsprämie.
  • für KMU und Einzelpersonen
  • Übernahme von bis zu 500 EUR der Kursgebühren
Mehr Informationen
KURS BUCHEN
Stimmen bisheriger Teilnehmer
Tycho Stange
Manager
KMPG
Dr. Tina Miedtank
Postdoc
Rotterdam School of Management
Sarah Wagner
Promotion in Astrophysik
Universität Würzburg
Matteo Vandelli
Universität Hamburg
Jakob
Martin Schlederer
Universität Hamburg
SEMINAR BUCHEN
Warum bei Enable AI buchen
Leistungen im Kurs
Durchführungsgarantie

Online ab 2 Teilnehmer und in Präsenz ab 3 Teilnehmer führen wir ein Seminar durch, so dass Sie auch bei kleinerer Gruppengröße intensiv lernen können und Ihren Lernerfolg erzielen können.

Zufriedenheitsgarantie

Sollten Sie in einem mehrtägigen Seminar bis zum Ende des ersten Seminartags merken, dass dieses Seminar nicht Ihren Erwartungen entspricht, sprechen Sie bitte mit dem Kursleiter am ersten Seminartag und es wird Ihnen die volle Kursgebühr inkl. Anreise (30 cent / km bzw. Bahnfahrt 2. Klasse) erstattet. Ohne Wenn und Aber.

Wissensgarantie

Falls Ihr(e) MitarbeiterIn unerwarteterweise innerhalb eines halben Jahres nach dem Besuchen eines Kurses für mehr als 6 Monate (Krankheit, Elternzeit, Sabbatical,...) ihr Unternehmen verlässt, darf kostenlos ein Kollege innerhalb eines Jahres ab dem Verlassen des Kollegens ein stattfindendes Seminar mit demselben Inhalt besuchen.

Hands-on Schulungen

Die Kurse sind hands-on Trainings, mit vielen Coding Übungen (inkl. digitalen Musterlösungen). Denn durch praktische Beispiele lernt man am meisten.

Individuelle Schulungen

Wenn es im Interessen der Schulungsgruppe ist, ändert der Trainer das Seminar nach Ihren Wünschen ab bzw. integriert Ihre Daten nach Rücksprache in den Kurs.

Aktualisierte Schulungen

Sollten Sie eine Schulung zweimal besuchen, wird diese nicht identisch sein. Ihr Feedback wird berücksichtigt und die Schulungen werden an die aktuelle Themen in Forschung und Entwicklung angepasst.

Trainer aus der Praxis

Die Trainer, die in exklusiver Kooperation mit Enable AI zusammen arbeiten, kommen alle aus der Praxis und vermitteln praxisnahes, aktuelles Wissen auf leicht verständliche Art und Weise mit dem Ziel, dass Sie in Ihrer Arbeit das Wissen direkt anwenden können.

Kleine Gruppen

Garantierte maximale Gruppengröße von 10 Teilnehmern. Im Durchschnitt besuchen 3-6 Teilnehmer einen Kurs.

Fundiertes Wissen

Vor der Zusammenarbeit werden unsere Trainer geprüft. Alle besitzen fundierte Kenntnisse, u.a. durch Studium, Promotion und Berufserfahrung in den Bereichen Mathematik, Informatik, Statistik und Machine/Deep Learning.

Ihr Trainer für den Kurs

Unsere Trainer bei EnableAI

Haben Sie noch Fragen
Jan Koehler - Gruender von Enable AI

Jan Köhler - Gründer von Enable AI

Termin vereinbaren
  • Fragen zum Inhalt des Seminars?
  • Sind Sie sich unsicher, ob der Kurs Sie weder über- noch unterfordert?
  • Fragen, ob Sie das Wissen aus dem Kurs für Ihre tägliche Arbeit anwenden können?
  • weitere generelle Fragen zur Schulung?
  • einen Terminwunsch?

Rufen Sie uns an oder schreiben Sie uns eine Email

0711-96 88 15 53
info@enable-ai.de

Gerne können Sie auch direkt einen Termin mit uns vereinbaren oder eine Nachricht schreiben.

Deep Learning für Zeitreihen mit Python – Prognose, Analyse und moderne KI-Modelle im Seminar

Das zweitägige Seminar „Enable.AI – Deep Learning für Zeitreihendaten“ vermittelt einen praxisorientierten Einstieg in die Welt der KI-gestützten Zeitreihenanalyse. Teilnehmer lernen Schritt für Schritt, wie Zeitreihendaten für Machine Learning und Deep Learning aufbereitet, modelliert und ausgewertet werden.

Nach einer Einführung in die Besonderheiten von Zeitreihendaten und deren Codierung (Resampling, Sliding Windows, Train/Test-Splits) behandelt das Seminar verschiedene neuronale Netzwerkarchitekturen für Prognosen: von RNNs über LSTMs und GRUs bis hin zu modernen Temporal Convolutional Networks (TCN) und Transformer-Modellen.

Ein besonderer Schwerpunkt liegt im Vergleich traditioneller Verfahren wie ARIMA und Facebook Prophet mit aktuellen Deep Learning-Ansätzen. Die Teilnehmer erlernen, wie sie Modelle mithilfe relevanter Metriken (MAE, RMSE, MAPE, SMAPE) bewerten, Cross-Validation korrekt einsetzen und Data Leakage vermeiden.

Alle Methoden werden anhand von praxisnahen Beispielen umgesetzt, etwa zur Prognose von Energieverbrauch, Wetterdaten oder wirtschaftlichen Entwicklungen. Der direkte Einsatz in Python – u. a. mit Bibliotheken wie Darts – stellt sicher, dass die Teilnehmer nach dem Seminar eigene Projekte professionell umsetzen können.

Dieses Seminar richtet sich an Data Scientists, Analysten, Entwickler und Fachanwender, die ihre Kenntnisse im Bereich Zeitreihenanalyse, Prognose und KI erweitern möchten. Nach Abschluss verfügen die Teilnehmer über ein solides Fundament, um Deep Learning für Zeitreihen erfolgreich in realen Projekten einzusetzen und die Vorhersagequalität deutlich zu verbessern.

Inhouseschulung / Firmenschulung

Sie suchen einen Zeitreihen Intensivkurs mit Python als Firmen-Weiterbildung. Der Inhalt der Schulung kann individuell angepasst werden. In Abstimmung mit dem Dozenten können Sie Schwerpunkte der Firmen-Schulung setzen, Inhalte aus der offenen Schulung streichen und weitere Inhalte hinzufügen.

Vereinbaren Sie einen Termin für ein kostenloses Beratungsgespräch.

Die Firmen-Trainings des Zeitreihen Analyse Kurses in Python können Live-Online oder bei Ihnen vor Ort gehalten werden. Zudem können Sie auch in München, Stuttgart, Berlin, Hannover, Köln, Hamburg, Düsseldorf, Frankfurt, Dortmund, Münster, Essen, Bonn, Dresden, Leipzig, Bremen, Duisburg, Bochum, Wuppertal, Bielefeld, Mannheim, Freiburg, Brauschweig, Kiel oder Karlsruhe stattfinden.

Thematisch ähnliche
Schulungen
Auswahl ähnlicher Kurse wie der Analyse und Visualisierung von Zeitreihen-Daten in Python Kurs
Data Science Bootcamp Weiterbildung
Python - 5 Tage

Sie erlernen einen umfassenden Einstieg in die Programmiersprache Python mit Fokus auf Data Science und Machine Learning. Nach dem Seminar sind sie fähig einfache Datenanalysen in Ihrem Unternehmen durchzuführen und ihre erworbende Kenntnisse selbständig zu vertiefen. U.a. folgende Python Pakete werden erläutert: pandas, numpy, matplotlib, seaborn, scikit-learn, statsmodels.

Deep Learning Kurs Künstliche Intelligenz Schulung
Python - 3 Tage

In diesem Kurs lernen Sie die Grundlagen von Deep-Learning kennen (mit Beispielen aus der Bild-, Text- und Sequenzdatenbearbeitung). Sie erstellen und trainieren Neuronale Netze auf GPUs mit dem anwenderfreundlichen und beliebten Framework Keras / Tensorflow (in Python). Vorkommende Neuronale-Netzwerk-Typen umfassen CNNs, RNNs und LSTMs.

Analyse und Visualisierung von raumbezogenen (geospatial/GIS) Daten in Python
Python – 2 Tage

In dieser Schulung lernen Sie, wie Sie Geo-Spatial-Daten in Python analysieren und visualisieren können.  Das Seminar behandelt raumbezogene Vektordaten (mit dem Python Paket geopandas) und Rasterdaten (mit dem Paket Rasterio). Das Python Modul Contextily wird verwendet um fortgeschrittene Visualisierungen zu realisieren.

Datenvisualisierung Dashboards in Python
Python – 2 Tage

In dieser Schulung lernen Sie, wie Sie schnell und effektiv Ihre Daten und Ergebnisse mit Python visualisieren und mit anderen teilen können. Auch die interaktive Visualisierung wird behandelt. Verwendete Python Pakete sind: pandas, matplotlib, plotly, rise, ipywidgets, voila, streamlit.

Machine Learning Kurs
Python - 2 Tage

Aufbauend auf Python Grundkenntnissen, werden supervised und unsupervised Machine Learning Algorithmen in scikit-learn und die wichtigsten Schritte beim Trainieren der Algorithmen behandelt. Folgende Algorithmen werden erläutert: Lineare & Logistische Regression, Entscheidungsbaum, Ensembles, Neuronales Netz (MLP), K-Nearest Neighbor, K-means, DBSCAN Clustering.

Risikofrei Buchen

Rücktritt bei Nichtgefallen

Sollten Sie in einem mehrtägigen Seminar bis zum Ende des ersten Seminartags merken, dass dieses Seminar nicht Ihren Erwartungen entspricht, sprechen Sie bitte mit dem Kursleiter am ersten Seminartag und es wird Ihnen die volle Kursgebühr inkl. Anreise (30 cent / km bzw. Bahnfahrt 2. Klasse) erstattet. Ohne Wenn und Aber.

Stornierung

Sie können eine Bestellung kostenlos bis 14 Tage vor Beginn der Schulung stornieren.

Bis 7 Tage vor Kursbegin fallen 50% Stornokosten zzgl. MwSt an.

Weniger als 7 Tage vor Kursbegin ist die gesamte Seminargebühr zzgl. MwSt zu zahlen.

Anfallende Stornokosten werden Ihnen bei Umbuchung auf einen anderen Termin oder auf ein anderes Seminar verrechnet.

Sie können einen Ersatzteilnehmer für Ihr gebuchtes Seminar zum gebuchten Termin benennen. In diesem Falle verändern wir Ihre Buchung kostenfrei und tragen den Ersatzteilnehmer ein.

Sie haben bei Stornierung zudem auch die Möglichkeit einen anderen Termin, an dem das Seminar bereits stattfindet (d.h. die Mindestteilnehmerzahl ist erreicht), oder ein anderes Seminar (das aufgrund der Buchungslage bereits stattfindet) kostenfrei bzw. nach Bezahlung des Differenzbetrages, teilzunehmen. Ist das gewählte Seminar preisgünstiger, erstatten wir Ihnen den Differenzbetrag nach Teilnahme am Seminar zurück. Diese Möglichkeit erfolgt aus Kulanz ohne Anerkennung einer Rechtspflicht.

Falls die Buchungslage es ermöglicht, können wir einen Ersatzteilnehmer aus der Warteliste benennen. In diesem Fall ist Ihre Stornierung kostenfrei. Dies ist jedoch nicht garantiert und erfolgt aus Kulanz ohne Anerkennung einer Rechtspflicht.

Schulungsort Live Online

Live-Online, Ort für Kurse und Schulungen von Enable AI

Für unsere Live Online Schulungen verwenden wir die Software Zoom.

Durch die Möglichkeiten die Teilnehmer in Breakout Räumen aufzuteilen und auf die Bildschirme der einzelnen Teilnehmer zu schauen, ist es für uns möglich, Sie auch in einem Live Online Seminar individuell zu betreuen.

Etwa eine Wochen vor Beginn der Schulung erhalten Sie von uns den Zugangslink zu Zoom per Email zugesandt.

Schulungsraum in München

Münchner, eine Stadt inder Enable AI Kurse und Schulungen anbietet

Die Seminarräume in München befinden sich 900m von der S-Bahn Haltestelle Donnersbergerbrücke. Von dort sind es 6 min bis zum Hauptbahnhof München.

Adresse Seminarraum München

Regus
Landsberger Straße 155
80687 München