Currículo

Análise de Séries Temporais e Previsão ASTP

Contextos

ECTS

6.0 (para cálculo da média)

Objectivos

No final do período curricular desta UC, o aluno deverá: OA1. Conhecer e aplicar os modelos clássicos de séries temporais; OA2. Conhecer e aplicar os modelos SARIMAX e Prophet; OA3. Familiarizar-se com os modelos de redes neuronais artificias (MLP); OA4. Familiarizar-se com algoritmos de Deep Learning (redes neuronais artificiais de aprendizagem profunda) para previsão de séries temporais; OA5. Ser capaz de trabalhar com os packages informáticos mais importantes (Python); OA6. Aplicação dos conceitos estudados; extracção de informação e valor para dados do mundo real.

Programa

P1. Redes neuronais artificiais (ANN) (2 aulas) P1.1. Perceptrão. Função de ativação P1.2. Backpropagation e MLP (multi-layer perceptron, feedforward NN) P1.3. Função custo, aprendizagem/treino de uma ANN. P1.4. Regularização e ajuste dos hiperparâmetros. P2. Séries temporais e dados sequências (2 aulas) P2.1. Conceitos básicos P2.2. Tendências e sazonalidade P2.3. Estacionaridade, testes de raiz unitária, causalidade de Granger. P2.4. Modelos ARMA/ARIMA/SARIMAX P2.5. Pressupostos dos resíduos, testes de diagnóstico P2.6. Modelo Prophet P2.7. Previsão, medição do erro de previsão P3. Modelos de Deep Learning (4 aulas) P3.1. Redes neuronais para séries temporais P3.2. Redes recorrentes: RNN, GRU, LSTM P3.3. Forecasting: direta, recursiva, janelas rolantes. P4. Programação/computação com Python P5. Aplicação dos conceitos estudados; extração de informação e valor para dados do mundo real

Método de Avaliação

A avaliação periódica inclui a realização dos seguintes elementos de avaliação: a) Teste individual, com ponderação de 50% na classificação final. b) Trabalho de grupo com apresentação oral, com ponderação de 50% (30% + 20%) na classificação final. A avaliação periódica exige a presença em, pelo menos, 80% das aulas e abrange toda a matéria lecionada. Os estudantes em regime de avaliação periódica que não obtenham a classificação mínima de 9,5 valores no teste individual e de 10 valores no trabalho de grupo devem realizar um exame final, sendo necessária uma classificação mínima de 10 valores para aprovação. A classificação obtida no trabalho de grupo não é considerada na avaliação da 1.ª época, sendo contabilizada apenas no âmbito da avaliação periódica. A avaliação da 2.ª época consiste exclusivamente na realização de um exame final, sendo necessária uma classificação mínima de 10 valores para aprovação.

Carga Horária

Bibliografia

Principal

• (1). Diana Mendes, (2026), Ficheiros (slides e scripts) da UC a disponibilizar no Moodle/Fenix (2). Mills, T.C. (2019), Applied Time Series Analysis: A Practical Guide to Modeling and Forecasting, Academic Press, Elsevier Inc. (3). Manu Joseph and Jeffrey Tackes (2024), Modern Time Series Forecasting with Python, Packt Publishing. (4). Philip Hua (2024), Neural Networks with TensorFlow and Keras, Packt Publishing.:

Secundária

• (1). Edward Raff, (2022), Inside Deep Learning: Math, Algorithms, Models, Manning Publications Co. (2). Louis Owen, (2022), Hyperparameter Tuning with Python, Packt Publishing. (3). Tarek A. Atwan, (2022), Time Series Analysis with Python Cookbook, Packt Publishing.:

Disciplinas de Execução