Blogs on Zeitreihen » Lamarr-Institut

Generated by ChatGPT via the prompt “A digital scene captures a humanoid robot, with a smooth white body and dark accents, operating a wooden waterwheel at a quaint watermill beside a flowing river under a clear sky. The landscape around it is painted in bold, swirling strokes reminiscent of Van Gogh's Post-Impressionist style, featuring lush greenery, rolling hills, and a winding path, with the robot and the rotating waterwheel as the focal points.”

Lernen aus Datenströmen: Grundlagen des Stream Learning

Dr. Sebastian Buschjäger,

21. Januar 2026

Daten strömen ununterbrochen – wie können Modelle da mithalten? Dieser erste Beitrag stellt Stream Learning, Konzeptdrift und Echtzeitanpassung für sich ständig weiterentwickelnde Datenströme vor....

00 Blog Kobialka Root Cause Analyse 1 - Lamarr Institute for Machine Learning (ML) and Artificial Intelligence (AI)

BlogAnwendung

Fehleranalyse in Produktionsprozessen mit einer KI-basierten Root-Cause-Analyse

Hans-Ulrich Kobialka,

26. Januar 2022

Interessanter als die Prognose von Fehlern ist es für Unternehmen zu verstehen, warum ein konkreter Fehler aufgetreten ist. Eine KI-basierte Root-Cause-Analyse dient dazu, Hinweise auf Fehlerursachen in großen Datenmengen zu finden....

|Erklärbare Modellselektion für Zeitreihenvorhersage|Kompentenzregion eines einzelnen Modells vor und nach der Drift detection|Modell C11|||

BlogForschung

Welches Modell soll ich wählen? Erklärbare Modellselektion für Zeitreihenvorhersage

Matthias Jakobs,

06. Oktober 2021

Aus einer Menge von Modellen jenes Modell auszuwählen, welches eine gegebene Aufgabe am besten lösen kann, ist oft ein undurchsichtiger Prozess. Für Zeitreihenvorhersage präsentieren wir ein erklärbares Verfahren für Modellselektion....