A reusable neural trainer for prepared numerical data.
Der Generische Trainer überführt vorbereitete multivariate Zeitreihen in einen reproduzierbaren Trainingsablauf. Im Mittelpunkt stehen saubere zeitliche Trennung, nachvollziehbare Checkpoints und ein Ergebnis, das sich erneut laden und prüfen lässt.
Ein allgemeiner Ablauf statt eines Einmal-Skripts.
Viele Modellversuche scheitern nicht am Netz selbst, sondern an uneinheitlicher Vorbereitung, zufälliger Validierung oder nicht reproduzierbaren Ergebnissen. Dieses Projekt bündelt den Ablauf für bereits vorbereitete numerische Zeitreihen.
Ein fester, prüfbarer Trainingskern.
- Eine GRU-Schicht mit 64 verdeckten Einheiten und Sequenzlänge 32
- Adam-Optimierung und mittlerer quadratischer Fehler als Trainingsziel
- Normalisierung ausschließlich aus dem Trainingsbereich
- Chronologische 80/20-Trennung, Early Stopping und bestes Checkpoint-Modell
- Vorhersage der jeweils nächsten vollständigen numerischen Zeile
Auf realen Daten vollständig durchlaufen.
Ein dokumentierter Lauf nutzte einen UCI-Datensatz mit 19.735 Zeitpunkten und 26 Spalten. 15.788 Zeitpunkte dienten dem Training, 3.947 der zeitlich späteren Validierung. Das beste Modell entstand in Epoche 8 und wurde als ladbarer Checkpoint gesichert. Zusätzlich prüfen fünf aktuelle Unit-Tests zentrale Teile des Ablaufs.
Generisch bedeutet nicht automatisch passend.
Das System erwartet vorbereitete, numerische Zeitreihen. Es entscheidet nicht selbst, ob Zielvariable, Datenqualität oder Modellwahl fachlich sinnvoll sind. Der dokumentierte Gesamtlauf stammt außerdem aus einer früheren Kernversion; nach späteren optionalen Steuerungsänderungen ist ein erneuter vollständiger Referenzlauf vorgesehen.
Vereinfachte Browser-Demo öffnen →Belegbar, ohne den Entwicklungsansatz offenzulegen.
Öffentlich gezeigt werden Problem, Systemaufbau, Testart, Ergebnis und Grenzen. Exakte Merkmalsdefinitionen, Schwellenwerte, vollständige Prompts, Quellcode, Modellgewichte und sensible Datensätze bleiben geschützt. Vertiefende Nachweise können in einem fachlichen Gespräch gezeigt werden.