Магистратура
2025/2026
Анализ и прогнозирование временных рядов
Статус:
Курс обязательный (Прикладные нейросетевые технологии)
Где читается:
Факультет компьютерных наук
Когда читается:
2-й курс, 2 модуль
Охват аудитории:
для своего кампуса
Язык:
русский
Кредиты:
3
Программа дисциплины
Аннотация
В ходе курса изучаются принципы и методологии анализа и прогнозирования временных рядов с уделением особого внимания практическому применению в бизнес-контексте. Будут рассмотрены такие темы, как сезонность, тенденции, стационарность и автокорреляция, с использованием бизнес-ориентированных примеров, таких как прогнозирование спроса, анализ продаж и финансовое моделирование. В ходе курса будут представлены статистические и эконометрические модели, включая ARIMA и MSTL, а также передовые подходы к машинному обучению, включая Prophet.Особое внимание будет уделено использованию внешних регрессоров, таких как экономические показатели, маркетинговая активность и данные о конкурентах, для повышения точности моделей и учета влияния реального мира. Студенты научатся интегрировать эти регрессоры в свои модели прогнозирования, понимая их влияние на показатели эффективности бизнеса и конечные результаты.
Цель освоения дисциплины
- • Понимать основополагающие концепции данных временных рядов и распознавать их уникальные закономерности.
- • Определить и применить соответствующие модели для прогнозирования временных рядов для бизнес-задач.
- • Интегрировать внешние регрессоры в модели прогнозирования, чтобы учесть сложные факторы, влияющие на бизнес-показатели.
- • Развивать навыки оценки прогнозных моделей и интерпретации результатов в бизнес-контексте.
- • Применять методы прогнозирования к реальным бизнес-сценариям, улучшая процесс принятия решений и стратегического планирования.
Планируемые результаты обучения
- Возможность интерпретировать временные ряды для бизнес-целей с помощью pandas (библиотеки python).
- Возможность построения временных рядов с помощью plotly.express (библиотека python).
- Возможность строить временные ряды с помощью matplotlib (библиотеки python).
- Тесты на автокорреляцию: тест Юнга-Бокса.
- Понимание автокорреляции.
- Тесты на стационарность: тест ADF, тест KPSS.
- Понимание стационарности.
- Вычисление простой статистики: среднее значение, максимум, минимум, запаздывания.
- Понимание концепции временного ряда.
Содержание учебной дисциплины
- Визуализация и интерпретация временных рядов
- Особенности временных рядов
- Сведение к стационарности
- Прогнозирование временных рядов с помощью моделей ARIMA
- Использование регрессоров для прогнозирования временных рядов
- Предварительная обработка временных рядов
- Прогнозирование временных рядов с помощью эконометрических моделей
- Прогнозирование временных рядов с помощью моделей ML
Элементы контроля
- Home Assignments
- ExamThere will be a final work at the examination session of the module 2, at the end of December, synchronously with online proctoring at Smart LMS. The duration of the exam is 2 hours.
- QuizzesShort asynchronous quizzes. Each quiz will take 10-15 minutes from starting an attempt and will cover the material of the previous topics. Question types might be a single-choice, multiple-choice or a short answer.
Список литературы
Рекомендуемая основная литература
- Time series analysis : forecasting and control, Box, G. E. P., 2008
- Анализ временных рядов и прогнозирование : учебник для вузов, Афанасьев, В. Н., 2010
Рекомендуемая дополнительная литература
- Интеллектуальный анализ временных рядов : учеб. пособие для вузов, Ярушкина, Н. Г., 2012