Sensor- und Zeitreihendaten im Griff: Hands-On-Tipps für robuste Speicherung und Analyse
Sensor- und Zeitreihendaten begegnen uns in vielen Bereichen wie Energie oder IoT. Sie bringen spannende Möglichkeiten, aber auch Herausforderungen wie unterschiedl. Zeitzonen und Auflösungen oder Datenlücken mit sich. In diesem praxisorientierten Vortrag erfahren Sie, wie Sie Zeitreihen effizient speichern und analysieren. Anhand realer Daten zeigen wir Ihnen, wie Sie typische Fallstricke meistern, robuste Vorhersagen erstellen und selbst unvollständige Echtzeitdaten sinnvoll einsetzen. Konkrete Hands-On-Tipps, die Sie direkt anwenden können!
Zielpublikum: Datenanalysten, Data Engineers, Data Scientists
Voraussetzungen:Datenbankgrundlagen, Data-Science-Grundlagen, Python-Grundlagen
Schwierigkeitsgrad:Basic
Extended Abstract:
Datenmanagement im IoT-Kontext: Speicherung und Verarbeitung von heterogenen Sensordaten mit Datenbanken wie TimescaleDB oder InfluxDB
Echtzeitdaten und Datenlücken: Strategien, um Analysen robust zu gestalten, auch wenn Daten unvollständig oder verspätet eintreffen
Prognosen: Umgang mit kurzfristigen Echtzeitprognosen sowie langfristigen Modellen, die saisonale und zeitliche Muster berücksichtigen (z.B. SARIMA, XGBoost, LSTM)
Anomalieerkennung: Identifikation und Behandlung von Ausreißern und fehlerhaften Daten in Echtzeit und historischen Datensätzen (2-Sigma-Regel, ML-basierte Verfahren)
Prof. Dr. Torsten Priebe lehrt und forscht im Bereich Data Science und KI an der FH St. Pölten University of Applied Sciences. Er leitet dort die Forschungsgruppe Data Intelligence mit Schwerpunkten wie Trustworthy AI und dem Einsatz von Machine Learning und KI in Nachhaltigkeitsthemen. Zuvor war er in leitenden Positionen bei verschiedenen Beratungsunternehmen tätig.
Dr. Bernward Asprion ist Researcher in der Forschungsgruppe Data Intelligence an der FH St. Pölten. Er verfügt über Bachelorabschlüsse in Data Science und Statistik sowie einen Masterabschluss in Elektrotechnik (Signalverarbeitung). Er hat eingehende Praxiserfahrung mit der Analyse von Zeitreihen- und Sensordaten, maschinellem Lernen und neuronalen Netzen.
Vortrag Teilen
