Zero-Shot Time-Series Forecasting: Praxisanalyse mit Energiedaten
Zeitreihenprognosen sind essenziell für datengetriebene Entscheidungen, doch historische Daten fehlen oft. Zero-Shot Time-Series Forecasting (ZSTSF) verspricht, ohne Trainingsdaten präzise Vorhersagen zu liefern – aber funktioniert das in der Praxis?Der Vortrag beleuchtet die spezielle Funktionsweise dieser Modelle und erklärt, wie ZSTSF-Modelle vortrainierte Architekturen nutzen, die auf Transformern oder vollständigen LLM-Architekturen basieren. Danach wird eine Analyse auf Basis realer Daten aus dem Energiesektor präsentiert. Benchmarks werden geprüft, Stärken und Schwächen aufgezeigt und die Praxistauglichkeit von ZSTSF diskutiert.
Vorkenntnisse
Grundkenntnisse in Zeitreihenanalyse und maschinellem Lernen sind hilfreich, insbesondere ein grundlegendes Verständnis von Modellen wie Transformern oder Large Language Models (LLMs). Vertiefte Kenntnisse werden jedoch nicht vorausgesetzt, da die Konzepte im Vortrag erklärt werden.
Lernziele
Die Teilnehmer sollen die Funktionsweise von ZSTSF-Modellen verstehen, die Anwendbarkeit in der Praxis und deren Grenzen kennenlernen und einige Einblicke in den Energiesektor mitnehmen.
Speaker
Matthias Henneke ist Machine Learning Engineer und Data Scientist bei der eoda GmbH in Kassel. Mit mehr als acht Jahren Erfahrung in der Umsetzung von Data-Science-Projekten in verschiedenen Branchen liegt sein Fokus auf der Arbeit mit Zeitreihendaten und der Entwicklung von ML-Lösungen, die Kunden konkreten Mehrwert liefern.
M3-Newsletter
Sie möchten über die Minds Mastering Machines
auf dem Laufenden gehalten werden?