In diesem Abschnitt untersuchen wir die Bedeutung der Zeitreihenanalyse für Prognosen, die Erkennung von Trends und die Erkennung von Anomalien und wenden diese Techniken auf reale Fallbeispiele aus der Industrie an, um die Entscheidungsfindung und die betriebliche Effizienz zu verbessern.

In diesem Abschnitt befassen wir uns mit der Architektur und der Einrichtung von Apache Spark für eine effiziente und skalierbare Analyse von Zeitreihendaten. Wir werden wichtige Konzepte der parallelen Verarbeitung und der Fehlertoleranz in verteilten Umgebungen kennenlernen.

In diesem Abschnitt befassen wir uns mit dem gesamten Prozess von Zeitreihenanalyseprojekten unter Verwendung von Spark und wenden dabei DataOps, ModelOps und DevOps an, um robuste Analysepipelines zu erstellen, zu verwalten und bereitzustellen.

In diesem Abschnitt zeigen wir, wie Zeitreihendaten in Spark eingelesen, bereinigt und transformiert werden. Dabei behandeln wir Datenqualitätsprüfungen, Normalisierung, den Umgang mit Ausreißern sowie Vorbereitungsschritte, die für eine genaue Analyse unerlässlich sind.

In diesem Abschnitt führen wir eine explorative Datenanalyse von Zeitreihen mit Apache Spark durch, wobei wir statistische Analysen, Resampling, Zerlegung, Stationaritätstests und Korrelationsmaße anwenden, um Muster aufzudecken und Anhaltspunkte für Modellierungsentscheidungen zu liefern.

In diesem Abschnitt entwickeln und bewerten wir SARIMA-, LightGBM- und NeuralProphet-Modelle für die Zeitreihenprognose und analysieren dabei Genauigkeit, Komplexität und Interpretierbarkeit, um unter realen Einschränkungen die optimalen Ansätze auszuwählen.

In diesem Abschnitt zeigen wir, wie sich die Zeitreihenanalyse mit Spark skalieren lässt, indem wir verteiltes Feature-Engineering, parallele Hyperparameter-Optimierung und Multi-Modell-Training für große Datensätze in Unternehmensumgebungen implementieren.

In diesem Abschnitt untersuchen wir, wie sich skalierbare Zeitreihenmodelle mit Spark in der Produktion einsetzen lassen, wobei wir den Schwerpunkt auf modulare Arbeitsabläufe, eine robuste Überwachung und Berichtsframeworks legen, um die Betriebssicherheit und verwertbare ML-Ergebnisse zu gewährleisten.

In diesem Abschnitt lernen wir, wie man mit Databricks skalierbare Zeitreihenanalysen implementiert, wobei der Schwerpunkt auf Delta Live Tables, automatisierten Workflows, Sicherheit und der Gestaltung von Dashboards für den produktiven Einsatz liegt.

In diesem Abschnitt befassen wir uns mit den jüngsten Fortschritten in der Zeitreihenanalyse, darunter generative KI-Prognosemodelle, die Bereitstellung von Ergebnissen über APIs für den Echtzeit-Einsatz sowie die Erschließung der Analyse für nicht-technische Anwender.