MK EN
ФИНКИ

Subject

Вовед во анализа на временските серии

1. Наслов на наставниот предмет Вовед во анализа на временските серии
Introductio to time series analysis
2. Код F23L3W076
3. Студиска програма —
4. Организатор на студиската програма (единица, односно институт, катедра, оддел) Факултет за информатички науки и компјутерско инженерство
5. Степен (прв, втор, трет циклус) Прв циклус
6. Академска година / семестар 7 / Зимски
7. Број на ЕКТС кредити 6
8. Наставник Ефтим Здравевски
9. Предуслови за запишување на предметот Вештачка интелигенција или Вовед во науката за податоци или Машинско учење
10. Цели на предметната програма (компетенции) 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. Содржина на предметната програма 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. Методи на учење 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. Вкупен расположив фонд на време 6 ЕКТС x 30 часа = 180 часа
14. Распределба на расположивото време 30 + 45 + 15 + 15 + 75 = 180 часа
15. Форми на наставните активности
15.1. Предавања - теоретска настава 30 часови
15.2. Вежби (лабораториски, аудиториски), семинари, тимска работа 45 часови
16. Други форми на активности
16.1. Проектни задачи 15 часови
16.2. Самостојни задачи 15 часови
16.3. Домашно учење 75 часови
17. Начин на оценување
17.1. Тестови 10 бодови
17.2. Семинарска работа / проект ( презентација: писмена и усна) 15 бодови
17.3. Активности и учење 10 бодови
17.4. Завршен испит 70 бодови
18. Критериуми за оценување (бодови/ оценка)
до 50 бода5 (пет) (F)
од 51 до 60 бода6 (шест) (E)
од 61 до 70 бода7 (седум) (D)
од 71 до 80 бода8 (осум) (C)
од 81 до 90 бода9 (девет) (B)
од 91 до 100 бода10 (десет) (A)
19. Услов за потпис и полагање на завршен испит Реализирани активности
20. Јазик на кој се изведува наставата македонски и англиски
21. Метод на следење на квалитетот на наставата механизам на интерна евалуација и анкети
22. Литература
22.1. Задолжителна литература
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. Дополнителна литература
Ред.бр. Автор Наслов Издавач Година
Деканат Деканат Институти Институти Закони Закони Проекти Проекти