Kommende Deep Learning Kurse für Preisvorhersagen

Wir haben unsere nächsten Kurse für Anfang 2026 geplant. Die Programme richten sich an alle, die maschinelles Lernen für Finanzprognosen praktisch einsetzen möchten – egal ob mit oder ohne Vorkenntnisse.

Die Termine stehen fest, die Inhalte sind ausgereift. Jeder Kurs konzentriert sich auf konkrete Techniken, die sich in echten Projekten bewährt haben.

Kurstermine Frühjahr 2026

Drei intensive Programme mit unterschiedlichen Schwerpunkten – von Grundlagen bis zu fortgeschrittenen Architekturen

12. Januar – 20. Februar 2026

Grundlagen neuronaler Netze für Zeitreihen

6 Wochen, jeden Dienstag und Donnerstag 18:00–20:30 Uhr

Online via Videokonferenz mit Live-Coding Sessions

Max. 16 Teilnehmer für individuelles Feedback

Dieser Kurs führt Sie Schritt für Schritt in die Welt der neuronalen Netze ein. Wir beginnen mit einfachen Feed-Forward-Architekturen und arbeiten uns zu RNNs und LSTMs vor. Der Fokus liegt auf praktischer Umsetzung – Sie schreiben Code von Anfang an und sehen direkt, wie Modelle auf Finanzdaten reagieren.

Programm ansehen

3. März – 14. April 2026

Transformer-Modelle für Marktanalyse

7 Wochen intensiv, Montag und Mittwoch 17:30–20:00 Uhr

Hybrid-Format: 3 Präsenztage in Heidegrund + Online

Voraussetzung: Kenntnisse in Python und grundlegendem ML

Transformers haben die Art verändert, wie wir Sequenzen modellieren. In diesem Kurs bauen Sie Attention-Mechanismen von Grund auf nach, verstehen deren mathematische Grundlagen und wenden sie auf Finanzmarktdaten an. Wir arbeiten mit realen Datensätzen und diskutieren, wo diese Architektur wirklich Vorteile bringt – und wo nicht.

Programm ansehen

27. April – 5. Juni 2026

Ensemble-Methoden und Model Stacking

6 Wochen praxisorientiert, Freitag 16:00–19:00 Uhr + Samstag 10:00–13:00 Uhr

Projektbasiert: Eigene Vorhersagemodelle entwickeln

Für Fortgeschrittene mit ML-Erfahrung

Einzelne Modelle liefern selten optimale Ergebnisse. Deshalb kombinieren wir in diesem Kurs verschiedene Ansätze – von einfachem Voting bis zu komplexen Meta-Lernern. Sie lernen, wie Sie Gradient Boosting, neuronale Netze und andere Algorithmen sinnvoll kombinieren und deren Stärken nutzen. Am Ende haben Sie ein funktionierendes Ensemble, das Sie selbst entwickelt haben.

Programm ansehen

So arbeiten wir in den Kursen

Jeder Kurs folgt einem klaren Aufbau. Wir starten mit Theorie, die wir direkt in Code übersetzen. Dann nehmen wir echte Datensätze und bauen Modelle, die funktionieren – oder eben nicht. Beides ist lehrreich.

Die Gruppen bleiben klein, damit wir uns Zeit für Fragen nehmen können. Manchmal stolpert jemand über einen Bug oder ein Konzept ergibt erst beim zweiten Anlauf Sinn. Das gehört dazu.

Live-Coding Sessions mit gemeinsamer Fehlersuche und Optimierung
Zugriff auf kuratierte Datensätze aus verschiedenen Märkten und Zeiträumen
Wöchentliche Code-Reviews und konstruktives Peer-Feedback
Praktische Übungen mit steigendem Schwierigkeitsgrad
Dokumentierte Notebooks zum Nacharbeiten und Experimentieren

Interaktive Lernumgebung mit Code-Editor und Datenvisualisierungen während einer Live-Session

PraxisnahEchter Code, echte Daten