Магистратура 2026/2027

Моделирование временных рядов и поиск аномалий

ID 1130358

Статус: Курс обязательный (Анализ данных в девелопменте)

Кто читает: Департамент больших данных и информационного поиска

Где читается: Факультет компьютерных наук

Когда читается: 2-й курс, 2 модуль

Охват аудитории: для своего кампуса

Язык: русский

Кредиты: 3

Контактные часы: 28

Программа дисциплины

Аннотация

Данный курс предполагает познакомить студентов с особенностями обработки данных, содержащих в себе временные зависимости. В рамках курса будут рассмотрены разносторонние подходы к моделированию временных рядов, включающие в себя статистические модели, байесовские методы и иные альтернативные концепции. Временные ряды являются широко распространенной структурой данных в задачах, решаемых в самых разных отраслях: начиная от анализа физических процессов и заканчивая прогнозированием спроса на товары в розничных сетях. Данный курс поможет сформировать унифицированную базу знаний о временных рядах, которая будет применима в любом из направлений. Будут рассмотрены задачи, связанные с прогнозированием цен на строительные материалы, цен на недвижимость, а также с моделированием показателей в сфере HR.

Цель освоения дисциплины

• Формирование у студентов целостного представления о методах моделирования временных рядов и алгоритмах поиска аномалий, а также приобретение практических навыков применения данных подходов для решения задач в реальных прикладных областях.

Планируемые результаты обучения

• Знать основные классы моделей временных рядов (статистические, байесовские, нейросетевые), методы обнаружения аномалий.
• Уметь строить и валидировать прогнозные модели, применять библиотеки (statsmodels, prophet, sktime, pytorch/keras) для анализа временных рядов.
• Владеть навыками работы с реальными временными рядами (финансовыми, экономическими, HR-метриками), умением выявлять аномалии и интерпретировать результаты.

Содержание учебной дисциплины

• Введение в анализ временных рядов
• Методы предварительной обработки временных рядов (сглаживание, дифференцирование, сезонность, тренд)
• Статистические модели (AR, MA, ARIMA, SARIMA, экспоненциальное сглаживание)
• Байесовские методы и вероятностное моделирование
• Машинное обучение для временных рядов (градиентный бустинг, Prophet, Random Forests)
• Нейросетевые подходы (RNN, LSTM, GRU, Transformers)
• Методы поиска аномалий (статистические, ML-базированные, автоэнкодеры)
• Прикладные кейсы: прогнозирование цен на материалы, HR-аналитика, финтех

Элементы контроля

• Контрольные работы
  Задание по методам предварительной обработки временных рядов
• Домашняя работа
  Задание на применение методов машинного обучения для анализа временных рядов.
• Экзамен

Промежуточная аттестация

• 2026/2027 2nd module
  0.3 * Экзамен + 0.2 * Домашняя работа + 0.5 * Контрольные работы

Список литературы

Рекомендуемая основная литература

• Data mining : practical machine learning tools and techniques, Witten, I. H., 2011
• Антонов А.В., Никулин М.С., Никулин А.М.и др. - Теория надежности. Статистические модели - 978-5-16-010264-1 - НИЦ ИНФРА-М - 2022 - https://znanium.ru/catalog/document?id=398446 - 398446 - ZNANIUM

Рекомендуемая дополнительная литература

• Sarkar, D., Bali, R., & Sharma, T. (2018). Practical Machine Learning with Python : A Problem-Solver’s Guide to Building Real-World Intelligent Systems. [United States]: Apress. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=1667293

Авторы

• Горденко Мария Константиновна