Deep Learning voor Prijsvoorspelling: Van Neuraal Netwerk tot Marktmodel.
Programma overzicht
Programma
-
Module 1: Tijdreeksanalyse als fundament
- Onderwerpen
- Stationariteit, autocorrelatie, ADF-toets, seizoensdecompositie
- Praktijk
- Analyse van energieprijsdata met pandas en statsmodels
-
Module 2: Neurale netwerken voor sequentiele data
- Onderwerpen
- RNN, LSTM, GRU: architectuurverschillen en wanneer je welke kiest
- Praktijk
- Implementatie in PyTorch, overfitting detecteren via validatiecurves
-
Module 3: Aandacht en Transformer-gebaseerde modellen
- Onderwerpen
- Self-attention mechanisme, Temporal Fusion Transformer, positional encoding
- Praktijk
- Vergelijkende benchmark op retailprijsdata
-
Module 4: Probabilistische voorspelling
- Onderwerpen
- Monte Carlo Dropout, conformal prediction, intervalkalibratie
- Praktijk
- Bouwen van een voorspellingsinterval dat statistisch correct gekalibreerd is
-
Module 5: Van model naar productie
- Onderwerpen
- MLflow tracking, model serving, driftdetectie, hertrainingstrategie
- Praktijk
- Opzet van een minimale inferentiepipeline met FastAPI
MVP-project: een volledig gedocumenteerd prijsvoorspellingsmodel op een door de deelnemer gekozen dataset, inclusief evaluatierapport en servingconfiguratie.
Over dit onderwerp
Prijsvoorspelling met klassieke statistiek werkt prima totdat het niet meer werkt. Seizoenspatronen, externe verstoringen en niet-lineaire afhankelijkheden maken eenvoudige modellen kwetsbaar.
Deze opleiding richt zich op het bouwen van neurale netwerken die prijsdata structureel verwerken. Je werkt met LSTM-architecturen voor tijdreeksen, aandachtslagen voor lange-termijnafhankelijkheden, en ensemble-methoden die meerdere modeluitvoeren combineren. Geen abstracte theorie: je implementeert elk concept in Python met PyTorch, op echte datasets uit de retailsector en energiemarkt.
Wat maakt prijsdata anders dan andere data
Prijsreeksen bevatten autocorrelatie, heteroskedasticiteit en structurele breuken. Een model dat dit negeert produceert voorspellingen die statistisch mooi zijn maar praktisch onbruikbaar. Je leert hoe je deze eigenschappen detecteert en hoe je modelarchitectuur daarop aanpast.
We behandelen ook het verschil tussen point forecasting en probabilistische voorspelling. Een puntschatting zegt weinig zonder betrouwbaarheidsinterval. Je bouwt modellen die onzekerheid kwantificeren via Monte Carlo Dropout en conformal prediction.
Evaluatie voorbij de RMSE
RMSE is een begin, geen eindpunt. Je leert hoe je modelprestaties beoordeelt op asymmetrische verliezen, directional accuracy en economisch relevante maatstaven die aansluiten bij besluitvormingsprocessen. Een model met lage RMSE dat systematisch de richting van prijsbewegingen mist, is voor veel toepassingen nutteloos.
De opleiding sluit af met een productiecomponent: hoe je een trained model inpakt, monitort op driftgedrag en hertraint zonder downtime. MLflow en een basisopzet van een serving-infrastructuur komen aan bod.
Vereiste voorkennis: Python op gevorderd niveau, basiskennis van machine learning en lineaire algebra.