Currículo
Análise de Séries Temporais e Previsão ASTP
Contextos
Groupo: Ciência de Dados - 2023 > 2º Ciclo > Parte Escolar > Tronco Comum
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 de: a) Teste individual com ponderação de 50%. b) Trabalho de grupo com ponderação de 50%. A avaliação periódica exige a presença em, pelo menos, 80% das aulas e abarca toda a matéria leccionada. Os alunos em avaliação periódica que não obtenham a nota mínima de 9,5 valores no teste individual e de 10 valores no trabalho, deverão realizar um exame final (nota mínima de aprovação: 10 valores).
Carga Horária
Carga Horária de Contacto -
Trabalho Autónomo - 125.0
Carga Total -
Bibliografia
Principal
- (1). 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.: