2024/2025
Анализ и моделирование временных рядов методами машинного обучения
Статус:
Маго-лего
Кто читает:
Кафедра математической экономики (Нижний Новгород)
Когда читается:
3 модуль
Охват аудитории:
для всех кампусов НИУ ВШЭ
Преподаватели:
Лапинова Светлана Александровна
Язык:
русский
Кредиты:
3
Программа дисциплины
Аннотация
В процессе изучения курса будут рассмотрены вопросы моделирование динамики временных рядов для социальных, финансовых и других процессов. Рассмотрен как подход, основанный на авторегрессионных моделях, так и применение бустинговых методов, фурье и вейвлет анализ В результате слушатели овладеют навыками и инструментами оценки параметров и прогнозирования основных показателей динамических процессов, приобретут навыки обработки статистических данных и применения эконометрических пакетов для анализа временных рядов.
Планируемые результаты обучения
- Студент различает основные случайные процессы и умеет вычислять их параметры
- Оценивает параметры моделей векторной авторегрессии
- Умеет выбрать адекватный метод обработки и анализа временных рядов при решении конкретных прикладных задач
- Умеет оценивать параметры моделей с авторегрессионной условной гетероскедастичностью
- Умеет применять тесты на стационарность и единичный корень при анализе временных рядов
- Уметь вычислять вероятности элементарных событий
- Уметь применять формулу полной вероятности и формулу Байеса
- Умеет вычислять основные статистические параметры
- Различает основные распределения, умеет вычислять параметры нормального и равномерного распределений
- Умеет работать с выбросами и пропущенными данными. Выполняет графический и статистический анализ данных
- Умеет планировать статистический эксперимент, формулировать гипотезы
- Умеет строить модели линейной регрессии
- Умеет ставить задачи с применением логистической регрессии. Строит логистические регрессии. Анализирует качество моделей
- Умеет строить кластеры с помощью библиотек языка Python
- Анализирует поведение временного ряда. Строит простые модели временных рядов
Содержание учебной дисциплины
- Определение и вероятностное описание случайных процессов
- Основные методы анализа одномерных временных рядов. Методы машинного обучения для статистического анализа временных рядов
- Модели авторегрессии и скользящего среднего стационарных временных рядов
- Тесты для анализа временных рядов. Коинтеграция временных рядов.
- Модели с авторегрессионной условной гетероскедастичностью
- Векторная авторегрессия
- Градиентный бустинг
- Анализ временных рядов с помощью сетевых моделей. Кластерный анализ
Список литературы
Рекомендуемая основная литература
- Барский, А. Б. Введение в нейронные сети : учебное пособие / А. Б. Барский. — 2-е изд. — Москва : ИНТУИТ, 2016. — 358 с. — Текст : электронный // Лань : электронно-библиотечная система. — URL: https://e.lanbook.com/book/100684 (дата обращения: 00.00.0000). — Режим доступа: для авториз. пользователей.
- Демидова, Л. А. Интеллектуальный анализ данных на языке Python : учебно-методическое пособие / Л. А. Демидова. — Москва : РТУ МИРЭА, 2021. — 92 с. — Текст : электронный // Лань : электронно-библиотечная система. — URL: https://e.lanbook.com/book/218693 (дата обращения: 00.00.0000). — Режим доступа: для авториз. пользователей.
- Искусственные нейронные сети : учебник / В. В. Цехановский, Е. Ю. Бутырский, Н. А. Жукова [и др.] ; под ред. В. В. Цехановского. — Москва : КноРус, 2024. — 350 с. — ISBN 978-5-406-13273-9. — URL: https://book.ru/book/954274 (дата обращения: 26.08.2024). — Текст : электронный.
- Канторович, Г. (2003). Лекции: Анализ Временных Рядов.
- Канторович, Г. (2003). Лекции: Анализ Временных Рядов. Экономический Журнал Высшей Школы Экономики, 7(1).
- Маккинни, У. Python и анализ данных. Первичная обработка данных с применением pandas, NumPy и Jupiter : справочник / У. Маккинни , перевод с английского А. А. Слинкина. — 3-е изд. — Москва : ДМК Пресс, 2023. — 536 с. — ISBN 978-5-93700-174-0. — Текст : электронный // Лань : электронно-библиотечная система. — URL: https://e.lanbook.com/book/348086 (дата обращения: 00.00.0000). — Режим доступа: для авториз. пользователей.
- Подкорытова, О. А. Анализ временных рядов : учебное пособие для вузов / О. А. Подкорытова, М. В. Соколов. — 2-е изд., перераб. и доп. — Москва : Издательство Юрайт, 2023. — 267 с. — (Высшее образование). — ISBN 978-5-534-02556-9. — Текст : электронный // Образовательная платформа Юрайт [сайт]. — URL: https://urait.ru/bcode/511456 (дата обращения: 27.08.2024).
- Соробин, А. Б. Сверточные нейронные сети: примеры реализаций : учебно-методическое пособие / А. Б. Соробин. — Москва : РТУ МИРЭА, 2020. — 159 с. — Текст : электронный // Лань : электронно-библиотечная система. — URL: https://e.lanbook.com/book/163853 (дата обращения: 00.00.0000). — Режим доступа: для авториз. пользователей.
- Татарникова, Т. М. Интеллектуальный анализ данных : учебное пособие / Т. М. Татарникова. - Москва ; Вологда : Инфра-Инженерия, 2024. - 172 с. - ISBN 978-5-9729-1772-3. - Текст : электронный. - URL: https://znanium.ru/catalog/product/2169704
- Ярушкина, Н. Г. Интеллектуальный анализ временных рядов : учебное пособие / Н. Г. Ярушкина, Т. В. Афанасьева, И. Г. Перфильева. — Москва : ФОРУМ : ИНФРА-М, 2022. — 160 с. — (Высшее образование). - ISBN 978-5-8199-0496-1. - Текст : электронный. - URL: https://znanium.com/catalog/product/1842559