In diesem Modul werden wir uns mit den Ideen hinter Autokorrelation und Unabhängigkeit beschäftigen. Zunächst werden wir uns mit der Mathematik der Korrelation befassen und damit, wie sie zur Charakterisierung der Beziehung zwischen zwei Variablen verwendet werden kann. Als Nächstes werden wir die Beziehung zur Unabhängigkeit definieren und erklären, wo diese Ideen verwendet werden können. Schließlich werden wir die Korrelation mit Zeitreihenattributen wie Trend, Saisonalität und Stationarität kombinieren, um die Autokorrelation abzuleiten. Wir gehen sowohl auf die Theorie hinter der Autokorrelation ein als auch darauf, wie man sie in Python programmiert.

In diesem Modul werden wir zunächst einige der grundlegenden Konzepte der linearen Regression besprechen. Anschließend erweitern wir dieses Wissen um die verzögerte Regression, eine effektive Methode zur Anwendung von Regressionstechniken auf Zeitreihen. Sobald wir ein solides Fundament in der grundlegenden und verzögerten Regression haben, werden wir moderne Methoden wie ARIMA (autoregressiver integrierter gleitender Durchschnitt) erkunden. All dies bildet den Rahmen für fortgeschrittenere maschinelle Lernmodelle wie LSTMs (Long Short Memory Network).

Im abschließenden Kursprojekt werden wir mit Hilfe von ARIMA-Modellen Nachfrageprognosen erstellen.