Subject

Вовед во анализа на временските серии

Course Title

Вовед во анализа на временските серии
Introductio to time series analysis

Code

F23L3W076

Study Programme

—

Organizer of the study programme (unit, institute, department or division)

Faculty of Computer Science and Engineering

Degree level (first, second, third cycle)

Прв циклус

Academic year / semester

7 / Зимски

Number of ECTS credits

Teacher

Ефтим Здравевски

Prerequisites for enrolling in the course

Вештачка интелигенција или Вовед во науката за податоци или Машинско учење

10.

Objectives of the course programme (competences)

Запознавање на студентите со анализа на произволни временски серии со традиционални статистички методи, како и со методи базирани на длабоко учење. Курсот дава вовед во типовите на временски серии, покрива стационарни процеси, ARMA модели, ARIMA и сезонални ARIMA модели, временско-просторни методи. Со знаењето стекнато на курсот студентите ќе може да анализираат временски серии од разновидни извори, податочни текови (data streams), IoT и да откриваат трендови и аномалии, да предвидуваат идни појави, како и да ги користат за препознавање на разновидни настани кои се опишани со временски серии.

11.

Course content

Предавања:
1. Карактеристики на временски серии
2. Корелација и автокорелација
3. Регресија на временски серии и истражувачка анализа на податоци
4. ARIMA модели
5. Спектрална анализа и филтрирање
6. Екстракција на карактеристики од временски домен и статистички методи во фреквентен домен
7. Инженерство и генерирање на атрибути од временски серии
8. Откривање на аномалии
9. Откривање на концептуални промени
10. Моделирање на целни променливи за препознавање на тековни настани и предвидување на идни настани
11. Употреба на различни архитектури на длабоки невронски мрежи за анализа на временски серии
12. Употреба на различни методи за учење во реално време

12.

Learning methods

Предавања поддржани со презентации преку слајдови, интерактивни предавања, вежби (користење на опрема и софтверски пакети), тимска работа, пример случаи, поканети гости предавачи, самостојна изработка и одбрана на проектна задача и семинарска работа, учење во електронско опкружување (форуми, консултации).

13.

Total available time

6 ECTS x 30 hours = 180 hours

14.

Distribution of available time

30 + 45 + 15 + 15 + 75 = 180 часа

15.

Forms of teaching activities

15.1.	Lectures - theoretical instruction	30 hours
15.2.	Exercises (laboratory, auditory), seminars, teamwork	45 hours

16.

Other forms of activities

16.1.	Project assignments	15 часови
16.2.	Independent assignments	15 часови
16.3.	Home study	75 часови

17.

Assessment method

17.1.	Tests	10 бодови
17.2.	Seminar paper / project (presentation: written and oral)	15 бодови
17.3.	Activities and learning	10 бодови
17.4.	Final exam	70 бодови

18.

Grading criteria (points / grade)

up to 50 points	5 (five) (F)
from 51 to 60 points	6 (six) (E)
from 61 to 70 points	7 (seven) (D)
from 71 to 80 points	8 (eight) (C)
from 81 to 90 points	9 (nine) (B)
from 91 to 100 points	10 (ten) (A)

19.

Requirement for obtaining a signature and taking the final exam

Реализирани активности

20.

Language of instruction

Macedonian and English

21.

Method for monitoring the quality of teaching

internal evaluation and survey mechanism

22.

Literature

22.1.

Required literature

1. Robert H. Shumway David S. Stoffer | Time Series Analysis and Its Applications | Springer | 2015
2. Brockwell, Peter J., Davis, Richard A. | Introduction to Time Series and Forecasting | Springer | 2016
3. Douglas C. Montgomery, Cheryl L. Jennings, Murat Kulahci | Introduction to Time Series Analysis and Forecasting, | John Wiley & Sons, Inc. | 2015
4. Joos Korstanje | Advanced Forecasting with Python: With State-of-the-Art-Models Including LSTMs, Facebook’s Prophet, and Amazon’s DeepAR | Apress | 2021
5. Jason Brownlee | Deep Learning for Time Series Forecasting Predict the Future with MLPs, CNNs and LSTMs in Python | Machine Learning Mastery | 2020
6. Ivan Gridin | Time Series Forecasting using Deep Learning: Combining PyTorch, RNN, TCN, and Deep Neural Network Models to Provide Production-Ready Prediction Solutions | BPB Publications | 2021
7. Aileen Nielsen | Practical Time Series Analysis: Prediction with Statistics and Machine Learning | O`Reilly | 2019
8. Francesca Lazzeri | Machine Learning for Time Series Forecasting with Python | Wiley | 2020
9. Ben Auffarth | Machine Learning for Time-Series with Python: Forecast, predict, and detect anomalies with state-of-the-art machine learning methods | Packt | 2021

22.2.

Additional literature

No. Author Title Publisher Year