adalovelacecenter-blog

Sequenzbasiertes Lernen

Ada im Gespräch mit Dr.-Ing. Christopher Mutschler über die zeitlichen und kausalen Zusammenhänge in Daten.

In der neuen Podcastfolge ­­­spreche ich mit Dr.-Ing. Christopher Mutschler über die aktuellen Forschungsmethoden, Herausforderungen und Anwendungsmöglichkeiten der Kompetenzsäule »Sequenzbasiertes Lernen« im Ada Lovelace Center for Analytics, Data and Applications.

Sequenzbasiertes Lernen beschäftigt sich ganz grundsätzlich mit den zeitlichen und kausalen Zusammenhängen von Daten. Für zahlreiche Anwendungen in den Bereichen Biologie, Medizin, Finanzen und Industrie sind hochdimensionale Zeitreihen erforderlich. Der Umgang mit solch umfangreichen Datensätzen stellt vor Herausforderungen – bietet aber gleichzeitig enormes Potential für Klassifikation, Regression, Prognose und Anomaliedetektion von Zeitpunkten und Ereignissen in Sequenzen (Zeitreihen) und liefert so wichtige Informationen zur Entscheidungsfindung von Unternehmen.

Im Gegensatz zu anderen Methoden des Maschinellen Lernens, welche zum Modelltraining zufällig gewählte Datenpunkte aus einem Datensatz nutzen, ist beim sequenzbasierten Lernen die Reihenfolge der Daten essenziell. Der aktuelle Systemzustand wird erkannt und zukünftige Zustände werden vorhergesagt / fortgeschrieben. Dies ist möglich, wenn die Reihenfolge, in der die Daten auftreten, bekannt ist oder wenn sie genaue Zeitstempel tragen.

Hört in den Podcast rein, um mehr über die Methoden im »Sequenzbasierten Lernen« zu erfahren, und wie sie in ganz unterschiedlichen Fragestellungen wie Rohstoffpreisprognosen, Spielverhaltensanalyse beim Fußball oder Genomsequenzierung zum Einsatz kommen!

 

Sequence-based learning

Ada talks to Dr.-Ing. Christopher Mutschler about temporal and causal relationships in data.

In this new podcast episode I talk with Dr.-Ing. Christopher Mutschler about the current research methods, challenges, and applications of the »Sequence-Based Learning« competence pillar at the Ada Lovelace Center for Analytics, Data and Applications.

Sequence-based learning is about the temporal and causal relationships of data. High-dimensional time series are required for numerous applications in biology, medicine, finance, and industry. Handling such large data sets poses challenges – but at the same time offers enormous potential for classification, regression, prediction and anomaly detection of time points and events in sequences (time series), providing important information for business decision making.

Unlike other machine learning methods that use randomly selected data points from a data set for model training, sequence-based learning relies on the order of the data. The current system state is recognized and future states are predicted. This is possible if the order in which the data occurs is known or if it carries accurate timestamps.

Listen to the podcast to learn more about the methods in »Sequence-based learning« and how they are used in very different problems such as commodity price forecasting, game behavior analysis in soccer or genome sequencing!

 

Anikó Enderlein