Анализ данных с временной структурой

Магистратура 2021/2022

Лучший по критерию «Полезность курса для Вашей будущей карьеры»

Лучший по критерию «Полезность курса для расширения кругозора и разностороннего развития»

Статус: Курс по выбору (Финансовые технологии и анализ данных)

Направление: 01.04.02. Прикладная математика и информатика

Кто читает: Департамент больших данных и информационного поиска

Где читается: Факультет компьютерных наук

Когда читается: 1-й курс, 3, 4 модуль

Формат изучения: без онлайн-курса

Охват аудитории: для своего кампуса

Преподаватели: Соколовский Евгений Игоревич

Прогр. обучения: Финансовые технологии и анализ данных

Язык: русский

Кредиты: 5

Контактные часы: 80

Полная версия программы учебной дисциплины

Аннотация

В рамках курса будут разобраны как стандартные методы раешения задачи регрессии на данных с временной структурой (SARIMA/ARCH и т.п.), так и методы, позволяющие проводить более глубокий анализ (Monte Carlo Marcov Chain, использование информационной теории для отбора значимых факторов, методы решения задач поиска разладок и аномалий в данных, и, как итог, принципы построения автоматизированного пайплайна для прогнозирования). В рамках курса будет выполнено 2 командных проекта, основанных на реальных банковских кейсах, посвященных решению задачи прогнозирования стандартными авторегрессионными моделями и автоматизации прогнозирования на данных с нестационарной структурой.

Цель освоения дисциплины

Получение необходимых для практической работы с данными с временной структурой знаний и навыков;
Изучение основных моделей авторегрессионного анализа;
Изучение основы подготовки данных для моделей машинного обучения и связанной с этим информационной теории;
Изучение особенностей автоматизации прогнозирования;
Рассмотрение методов, идеологически близкие к Байесовским, для задач, не подразумевающих точного прогноза.

Планируемые результаты обучения

Обладать навыкаими, необходимых для практической работы с данными с временной структурой
Освоить основные модели авторегрессионного анализа
Освоить основы подготовки данных для моделей машинного обучения и связанной с этим информационной теории
Освоить особенности автоматизации прогнозирования
Понять методы, идеологически близкие к Байесовским, для задач, не подразумевающих точного прогноза

Содержание учебной дисциплины

Гауссовские линейные авторегрессионные модели. Основные понятия. AR, ARMA, ARIMA, SARIMA, ARCH, GARCH. Свойства, подбор параметров, проверка корректности
Построение автоматизированного пайплайна для решения задачи регрессии на данных с верменной структурой. Компоненты. Особенности. Проверка эффективности
Задача выявления аномалий в данных с временной структурой. Задача выявления разладки временного ряда
Построение признакового пространства. Основные понятия задачи выделения значимых факторов
Фильтрационные методы выделения значимых факторов. Начала информационной теории. Совместная информация, трансфертная энтропия
Близкие к Байесовским методы анализа данных с временной структурой. Марковские цепи. Класс алгоритмов Monte Carlo Marcov Chain. Фильтр Калмана

Элементы контроля

Командный проект 1
Командный проект 2
Контрольная работа
Экзамен

Промежуточная аттестация

2021/2022 учебный год 4 модуль
0.2 * Экзамен + 0.35 * Командный проект 2 + 0.1 * Контрольная работа + 0.35 * Командный проект 1

Программа дисциплины