Предиктивная аналитика на основе анализа временных рядов

Цель курса дать систематизированное представление о современных подходах к анализу данных, в том числе больших данных, представленных временными рядами, научить применению основных принципов и этапов решения задач построения адекватных моделей прогнозирования с использованием современной  информационной среды (R Studio), развить умения проверки прогнозных свойств модели прогнозирования, в конечном итоге сформировать на продвинутом уровне компетенцию цифровой экономики: способность строить обоснованные прогнозы на основе анализа временных рядов.

Для успешного прохождения курса слушатели должны на продвинутом уровне пользоваться компьютером, иметь базовые навыки в моделирование, знать основы теории вероятности и математической статистики, иметь представление о программировании на языках высокого уровня (на пороговом уровне), иметь сформированную на начальном уровне компетенцию: способность строить обоснованные прогнозы на основе анализа временных рядов.. Для слушателей курсов предусмотрены входные контрольные задания по теории вероятности (теорема Байеса) и математической статистике (описательные дескриптивные статистики и проверка гипотез – ошибки первого и второго рода, базовому регрессионному моделированию.

В результате изучения дисциплины слушатель должен:

Знать:  типы процессов, представленные временными рядами (TSP, DSP); детерминированные составляющие временного ряда и методы очищения от них случайных процессов; тесты на единичные корни и их модификации; детерминированные компоненты временного ряда; модели ARIMA/SARIMA/ARIMAX; тесты на структурные изменения временных рядов; модели адаптивного прогнозирования (экспоненциального сглаживания);схему обобщённого прогнозирования на основе моделирования случайных процессов и методы оценки прогностической ценности модели.

Уметь: определять структуру временного ряда на основе анализа коррелограмм ACF и PACF; определять типы процессов, представленные временными рядами на основе различных процедур (например, с использованием пятиэтапной процедуры применения теста ADF);  идентифицировать порядки, проводить селекцию, оценку и диагностику моделей ARIMA, SARIMA; строить модели анализа временных рядов с введением экзогенной переменной (ARIMAX); использовать модели адаптивного сглаживания для краткосрочного прогнозирования; строить научно-обоснованные прогнозы, проводить корректную интерпретацию результатов прогнозирования

Обладать навыками:  проведения анализа внутренней структуры различных процессов, представленных временными рядами, построения адекватных моделей ARIMA, SARIMA, ARIMAX в среде R Studio, навыками оценки прогнозных свойств полученных моделей; навыками построения качественных прогнозов с использованием методов математического моделирования случайных процессов для корректных принятий управленческих решений

Компетенция, сформированная в рамках прохождения курса, позволит развиться в профессиональной деятельности аналитиков, сменить род деятельности в рамках одной области (аналитические исследования и прогнозирование).

Образование: высшее, среднее профессиональное

Квалификация: инженер, математик, экономист

Наличию опыта профессиональной деятельности: работа в Excel.

Предварительное освоение иных дисциплин/курсов /модулей: высшая математика, теория вероятностей и математическая статистика, общая теория статистики

Образование: высшее, среднее профессиональное

Квалификация: инженер, математик, экономист

Наличию опыта профессиональной деятельности: работа в Excel.

Предварительное освоение иных дисциплин/курсов /модулей: высшая математика, теория вероятностей и математическая статистика, общая теория статистики