Ranking statt Raten: Modellselektion für multivariate Zeitreihen im Transfer Learning

Transfer Learning ermöglicht es, bestehende Deep-Learning-Modelle effizient auf neue Datensätze und Aufgaben zu übertragen und so Trainingsaufwand, Datenbedarf und Rechenzeit deutlich zu reduzieren. Entscheidend ist jedoch die Wahl eines Modells, das zur Zielanwendung passt und negativen Transfer vermeidet.

Ein Rankingansatzes zeigt, wie verfügbare Modelle auf Basis von Datensatzeigenschaften nach ihrem erwarteten Leistungsgewinn ordnet. Der Ansatz fokusiert sich auf multivariate Zeitreihendaten und Predictive Maintenance, ist aber übertragbar. Auch bei begrenzten Trainingsdaten liefert der Ansatz robuste Ergebnisse und wählt in rund 95 % der Fälle das leistungsstärkste Modell aus.

Vorkenntnisse

• Grundlagen zu neuronalen Netzen und Deep Learning
  
• Basiswissen zu Zeitreihendaten (multivariat)
  
• Grundlegende statistische Kenntnisse

Lernziele

Die Teilnehmer lernen

• das Prinzip des Transfer Learning zu verstehen, Modelle anzupassen und positiven wie negativen Transfer einzuordnen,
  
• wie Learning to Rank funktioniert und zur Auswahl geeigneter Modelle eingesetzt wird,
  
• statistische und formbezogene Merkmale zur Charakterisierung von Zeitreihendaten anzuwenden.