Анализ временных рядов

2025/2026

Статус: Маго-лего

Кто читает: Департамент больших данных и информационного поиска

Где читается: Факультет компьютерных наук

Когда читается: 2, 3 модуль

Охват аудитории: для своего кампуса

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 в анализ временных рядов (EDA, предобработка, задачи, метрики и валидация).
Классические / эконометрические методы. Naive, ETS, Prophet. Предпосылки и ограничения.
Классические / эконометрические методы. SARIMA(X), Theta, etc. Предпосылки и ограничения.
ML методы. Перевод в задачу машинного обучения, построение признаков.
ML методы. Стратегии прогнозирования многомерных временных рядов на длинный горизонт.
ML методы. Бонусные темы: кластеризация, ансамблирование, Python-библиотеки.
DL методы. Архитектуры из разных семейств. Linear-, RNN-, CNN-based.
DL методы. Архитектуры из разных семейств. Transformer-based.
DL методы. Генеративные модели. VAEs, Diffusion SDE в задачах Imputation и Anomaly Detection.
DL методы. Специализированные фундаментальные модели для временных рядов. Moirai, TimesFM, etc.
DL методы. Адаптация LM / LLM к задачам анализа временных рядов. Chronos, TimeLLM, etc.
ML & DL методы. Бонусные темы: по запросу или по мере необходимости. Примеры: ARCH / GARCH, фильтр Калмана, другие задачи анализа, оценка неопределенности, интерпретируемость.

Элементы контроля

Домашнее задание 1
Домашнее задание 2
Домашнее задание 3
Проект
Тесты
Экзамен

Промежуточная аттестация

2025/2026 3rd module
Итог = Округление(0.5 * ДЗ + 0.1 * Тесты + 0.2 * Проект + 0.2 * Э), где ДЗ — средняя оценка за все домашние задания, Тесты — оценка за тесты после каждой лекции / группы объединенных одной темой лекций, Э — оценка за экзамен.

Список литературы

Авторы

Ахмедова Гюнай Интигам кызы

Программа дисциплины