Магистратура
2021/2022
Анализ временных рядов
Статус:
Курс по выбору (Машинное обучение и высоконагруженные системы)
Направление:
01.04.02. Прикладная математика и информатика
Кто читает:
Базовая кафедра компании SAS
Где читается:
Факультет компьютерных наук
Когда читается:
1-й курс, 3 модуль
Формат изучения:
без онлайн-курса
Охват аудитории:
для своего кампуса
Преподаватели:
Романенко Алексей Александрович
Прогр. обучения:
Машинное обучение и высоконагруженные системы
Язык:
русский
Кредиты:
3
Контактные часы:
20
Программа дисциплины
Аннотация
В данном курсе студенты узнают о широком классе прикладных задач, в которых применяются методы time series forecasting, а также смогут применить полученные знания при решении примеров задач.. В качестве прикладных задач прогнозирования временных рядов будут рассмотрены примеры из ритейл-индустрии, производства (manufacturing), финансовых рынков, социально-демографической сферы, медицины. В структуру курса заложено ознакомление с теорией статистических алгоритмов таких как ETS, ARIMA, GARCH, GAS (Generalized Autoregressive), композиции над алгоритмами прогнозирования временных рядов. Ключевое внимание будет уделено особенностям работы, реализации и применения изучаемых методов в прикладных задачах, практические задания будут включать как самостоятельную разработку алгоритмов, так и применение разработанных пакетов/библиотек агоритмов прогнозирования временных рядов. В результате прохождения курса студенты смогут использовать изученные алгоритмы для прогнозирования временных рядов на практике.
Цель освоения дисциплины
- Знать разновидности алгоритмов семейства экспоненциального сглаживания, преимущества и недостатки использования конкретных алгоритмов из семейства экспоненциального сглаживания.
- Знать преимущества и недостатки использования алгоритмов из семейства ARIMA(X)
- Уметь обучать алгоритм из семейства ARIMAX для конкретного временного ряда и заданного набора каузальных переменных
- Знать преимущества и недостатки алгоритмов из семейства GARCH, уметь обучать алгоритмы из семейства GARCH для прогнозирования временных рядов
- Знать не менее 10 различных критериев измерения точности прогнозов (метрика точности) методов прогнозирования временных рядов, знать ключевые особенности каждого критерия.
- Знать преимущества и недостатки простых алгоритмов ансамблирования алгоритмов временных рядов, уметь реализовывать и применять ансамбли алгоритмов прогнозирования временных рядов из числа Adaptive Composition, Adaptive Selection, Strong Aggregating Algorithm.
Планируемые результаты обучения
- Convert ARIMA models to infinite order MA models
- Create and interpret prediction intervals for forecasts
- Distinguish ARIMA terms from simultaneously exploring an ACF and PACF
- Forecast with ARIMA models
- Identify and interpret a non-seasonal ARIMA model
- Test that all residual autocorrelations are zero
Содержание учебной дисциплины
- Модели авторегрессии скользящего среднего ARMA (p, q). Оценка коэффициентов ARMA (p, q). Метод Бокса-Дженкинса
- Реализация алгоритмов простого экспоненциального сглаживания
- Реализация алгоритмов Хольта, Винтерса, Тейла-Вейджа
- Нестационарные временные ряды
- Приведение временных рядов к стационарному виду путем простых преобразований
- ARIMA models
- Прогнозирование временных рядов в ритейле.
- Подбор параметров алгоритма из семейства GARCH для конкретного временного ряда
- Прогнозирование временных рядов в электроэнергетике.
Промежуточная аттестация
- 2021/2022 учебный год 3 модуль0.3 * Домашнее задание 3 + 0.4 * Бонусные задания + 0.15 * Домашнее задание 2 + 0.15 * Домашнее задание 1
