Анализ временных рядов

2026/2027

ID 1152583

Статус: Маго-лего

Кто читает: Департамент больших данных и информационного поиска

Где читается: Факультет компьютерных наук

Охват аудитории: для своего кампуса

Преподаватели: Костромина Алина Максимовна

Язык: русский

Кредиты: 6

Контактные часы: 26

Дополнительные материалы в LMS Задать вопрос

Аннотация

Курс посвящен прикладному анализу временных рядов — как рассмотрению современных исследовательских задач, так и решению практических кейсов. Студентам предстоит освоить подходы от классических эконометрических моделей до передовых (state-of-the-art) архитектур и алгоритмов. Отдельно обсуждаются активно развивающиеся направления: большие языковые модели (LLM), фундаментальные (foundation) и генеративные модели. Особое внимание уделяется выбору методов под разные постановки задач и корректному сравнению полученных решений.

Цель освоения дисциплины

Формализовывать задачи анализа временных рядов и переводить их в постановки машинного обучения.
Проводить EDA и предобработку временных рядов.
Знать ключевые идеи классических (ARIMA, ETS, Theta, etc.) и современных (RNN-, Linear-, CNN-, Transformer-based) моделей; понимать их области применения и ограничения.
Работать с многомерными рядами и экзогенными признаками, строить многошаговые прогнозы на длинных горизонт.
Выбирать протокол валидации и метрики оценивания и корректно сравнивать решения.
Создавать воспроизводимые пайплайны экспериментов, проводить абляционные эксперименты и оформлять выводы.
Понимать текущее состояние науки в этой области, уметь работать с научной литературой и переносить идеи в практические кейсы.

Планируемые результаты обучения

Формализовывать задачи анализа временных рядов и переводить их в постановки машинного обучения.
Проводить EDA и предобработку временных рядов.
Знать ключевые идеи классических (SARIMA(X), ETS, Theta, etc.) и современных (RNN-, Linear-, CNN-, Transformer-based) моделей; понимать их области применения и ограничения.
Работать с многомерными рядами и экзогенными признаками, строить многошаговые прогнозы на длинных горизонт.
Выбирать протокол валидации и метрики оценивания и корректно сравнивать решения.
Создавать воспроизводимые пайплайны экспериментов, проводить абляционные эксперименты и оформлять выводы.
Понимать текущее состояние науки в этой области, уметь работать с научной литературой и переносить идеи в практические кейсы.

Содержание учебной дисциплины

Введение: прикладные задачи и основные понятия.
Исследовательский анализ и подготовка временных данных
Экспоненциальное сглаживание и модели ETS
Стационарность, автокорреляции и модели ARIMA
Классические методы на практике и неопределённость прогноза
Машинное обучение для прогнозирования: признаки и проверка качества
Глобальные модели и дополнительные признаки
Стратегии многошагового и многомерного прогнозирования
Нейронные сети: основные архитектурные идеи
Механизм внимания и трансформерные модели
Практика обучения нейронных моделей для прогнозирования
Фундаментальные и языковые модели для временных рядов

Элементы контроля

Экзамен
Тесты
Домашнее задание 1
Домашнее задание 2
Проект

Промежуточная аттестация

2026/2027 3rd module
Итог = Округление(0.5 * ДЗ + 0.1 * Stepik + 0.2 * Проект + 0.2 * Э), где ДЗ —средняя оценка за все домашние задания, Тесты —оценка за задания в Stepik, Э —оценка за экзамен.

Список литературы

Авторы

Ахмедова Гюнай Интигам кызы

Программа дисциплины