Unsupervised Anomalieerkennung und Prediction von Zeitreihen im Unternehmenskontext
Zeitreihen sind ein allgegenwärtiger Datentyp. Daten, die in Unternehmensprozessen oder vernetzten Geräten anfallen, lassen sich repräsentieren. Umsatzdaten, Bestände im Lager oder der Zustand einer Elektroautobatterie sind nur ein paar Beispiele.
Schnell wächst jedoch die Anzahl der Zeitreihen über die Zahl hinaus, die von Menschen einfach und ökonomisch sinnvoll überwacht werden kann. Hier kommen algorithmische Verfahren und maschinelles Lernen zur Detektion von anomalem Verhalten und zur Vorhersage ins Spiel.
Wir stellen moderne, "unsupervised" ML-Algorithmen vor, die in eine Datenarchitektur integriert werden. Wir setzen auf Apache Spark Streaming und andere verbreitete Open-Source-Tools.
Vorkenntnisse
* Basiskenntnisse zu Data Science und/oder Machine Learning, * Grundkenntnisse zu Python- und Data-Science_Tools.
Lernziele
* Bedeutung von Zeitreihen für Data Science in Unternehmen
* Modellierung von Zeitreihen und Algorithmen
* Einbettung von Algorithmen in Streaming Analytics