Временные ряды и обработка сигналов

2026/2027

ID 1217228

Статус: Маго-лего

Кто читает: Базовая кафедра МТС

Где читается: Факультет компьютерных наук

Когда читается: 2 модуль

Охват аудитории: для своего кампуса

Язык: русский

Кредиты: 3

Контактные часы: 28

Дополнительные материалы в LMS Задать вопрос

Аннотация

Временные ряды встречаются во многих прикладных задачах: прогнозировании спроса и нагрузки, анализе финансовых показателей, исследовании поведения пользователей и других процессов, которые меняются во времени. Работа с такими данными требует учитывать их структуру — тренды, сезонность, циклические компоненты и шум — и корректно выбирать методы анализа и прогнозирования. На курсе вы разберёте основные подходы к анализу временных рядов — от разведочного анализа данных, декомпозиции и статистических моделей до градиентного бустинга и нейронных сетей. Вы познакомитесь с моделями экспоненциального сглаживания, ARMA и ARIMA, преобразованием Бокса — Кокса и методами анализа в частотной области. Отдельное внимание будет уделено практическим задачам прогнозирования: генерации признаков, добавлению внешних факторов, выбору метрик и построению прогнозов на разных временных горизонтах. Кроме прогнозирования, вы рассмотрите задачи классификации и кластеризации временных рядов, а также основы Survival Analysis. В результате курса вы научитесь исследовать временные данные, выбирать подходящие методы моделирования, сравнивать качество разных подходов и использовать временные ряды для решения прикладных и бизнес-задач.

Цель освоения дисциплины

Формирование у слушателей умений и навыков, необходимых для исследования временных данных, выбора подходящих методов моделирования, сравнения качества разных подходов и использования временных рядов для решения прикладных и бизнес-задач.

Планируемые результаты обучения

Проводить разведочный анализ временных рядов и визуализировать временные данные
Выявлять трендовые, сезонные и циклические компоненты временного ряда
Применять классические статистические методы анализа и прогнозирования временных рядов
Строить и настраивать модели ARMA и ARIMA, использовать экспоненциальное сглаживание и преобразование Бокса — Кокса
Применять методы анализа временных рядов в частотной области
Генерировать признаки и добавлять внешние факторы, влияющие на прогноз
Применять градиентный бустинг и нейронные сети для прогнозирования временных рядов
Строить и оценивать прогнозы на разных временных горизонтах
Выбирать метрики качества и сравнивать прогнозные модели
Решать задачи классификации и кластеризации временных рядов
Понимать основные принципы Survival Analysis
Выбирать подходящие методы работы с временными рядами для решения прикладных и бизнес-задач

Содержание учебной дисциплины

Введение во временные ряды и разведочный анализ данных
Декомпозиция временного ряда на компоненты и модели экспоненциального сглаживания
Статистическое описание временных рядов и модели ARMA
ARIMA, преобразование Бокса — Кокса и методы анализа в частотной области
Статистические модели прогнозирования временных рядов
Множественное прогнозирование с помощью градиентного бустинга и нейронных сетей
Генерация признаков и использование дополнительных метрик оценки качества
Задачи классификации и кластеризации временных рядов
Основы Survival Analysis

Элементы контроля

Домашние работы
Домашняя работа № 1 посвящена классическим методам прогнозирования. Необходимо реализовать класс для обучения моделей и оценки качества прогнозов на неделю, месяц и квартал. Домашняя работа № 2 посвящена современным методам прогнозирования. Необходимо аналогичным образом реализовать обучение и оценку качества прогнозов на неделю, месяц и квартал с использованием современных моделей.
Итоговый проект
Итоговый проект объединяет результаты работы в течение курса. Необходимо выбрать одну-две лучшие, по вашему мнению, модели и реализовать итоговое решение на их основе.

Промежуточная аттестация

2026/2027 2nd module
0.4 * Итоговый проект + 0.6 * Домашние работы

Список литературы

Авторы

Емашева Валерия Анатольевна

Программа дисциплины