Praktische Zeitreihenanalyse

Kapitel 10. Deep Learning für Zeitreihen

Diese Arbeit wurde mithilfe von KI übersetzt. Wir freuen uns über dein Feedback und deine Kommentare: [e-mail]

Deep Lernen für Zeitreihen ist ein relativ neues, aber vielversprechendes Unterfangen. Da Deep Learning eine sehr flexible Technik ist, kann sie für die Zeitreihenanalyse von Vorteil sein. Am vielversprechendsten ist die Möglichkeit, hochkomplexes und nichtlineares zeitliches Verhalten zu modellieren, ohne Funktionsformen erraten zu müssen - was für nichtstatistische Vorhersagetechniken ein entscheidender Vorteil sein könnte.

Falls du mit Deep Learning noch nicht vertraut bist, hier eine Zusammenfassung in einem Absatz (wir werden später noch genauer darauf eingehen). Deep Learning beschreibt einen Zweig des maschinellen Lernens, bei dem ein "Graph" erstellt wird, der die Eingabeknoten mit einer komplizierten Struktur von Knoten und Kanten verbindet. Beim Übergang von einem Knoten zu einem anderen über eine Kante wird ein Wert mit der Gewichtung dieser Kante multipliziert und dann in der Regel durch eine Art nichtlineare Aktivierungsfunktion geleitet. Diese nichtlineare Aktivierungsfunktion macht Deep Learning so interessant: Sie ermöglicht es uns, hochkomplexe, nichtlineare Daten zu verarbeiten, was bisher nicht sehr erfolgreich war.

Deep Learning hat sich vor allem in den letzten 10 Jahren durchgesetzt, als Verbesserungen bei der kommerziell verfügbaren Hardware mit riesigen Datenmengen gekoppelt wurden, ...