DSC04

Compulsory

2

Με την ολοκλήρωση του μαθήματος, ο/η φοιτητής/τρια θα είναι σε θέση να:

• Αντιλαμβάνεται τα γραμμικά και μη γραμμικά μοντέλα προβλέψεων.
• Να είναι σε θέση να αντιλαμβάνεται τα όρια εγκυρότητας των προβλέψεων.
• Εξηγεί τα αποτελέσματα των προβλέψεων.
• Να κατανοεί τη μη γραμμική δυναμική.
• Κατανοεί πώς να εφαρμόζει διάφορους αλγορίθμους πρόβλεψης.
• Να μπορεί να  εφαρμόσει σε πραγματικά δεδομένα διαδικασίες πρόβλεψης.

• Αναζήτηση, ανάλυση και σύνθεση δεδομένων και πληροφοριών, με τη χρήση και των απαραίτητων τεχνολογιών
• Λήψη αποφάσεων
• Ομαδική εργασία
• Προαγωγή της ελεύθερης, δημιουργικής και επαγωγικής σκέψης

Αυτό το μάθημα στοχεύει στην παροχή ισχυρών γνώσεων σε έναν τομέα που είναι επωφελής για όσους σπουδάζουν τεχνητή νοημοσύνη και μηχανική μάθηση. Η ανάλυση και η πρόβλεψη χρονοσειρών είναι ένας τομέας όπου η επιστήμη των υπολογιστών και η κωδικοποίηση συναντούν τα μαθηματικά, τη φυσική και άλλες φυσικές επιστήμες, τη μηχανική, τα οικονομικά, τα οικονομικά και τις κοινωνικές επιστήμες. Προσφέρεται ολοκληρωμένη γνώση για τις θεωρητικές βάσεις της περιοχής (θεμελιώδεις αρχές, στοιχεία κ.λπ.). Το μάθημα περιλαμβάνει ανάλυση χρονοσειρών χρησιμοποιώντας τόσο γραμμικές προσεγγίσεις όσο και μη γραμμική δυναμική. Και οι δύο ενότητες κινούνται προς τον τελικό στόχο που είναι η πρόβλεψη χρονοσειρών για πρακτικές εφαρμογές.

• Εισαγωγή στην ανάλυση χρονοσειρών.
• Πρόβλεψη με γραμμικά μοντέλα χρονοσειρών (ARMA, ARIMA, SARIMA κ.α.).
• Βασικά χαρακτηριστικά ανάλυσης μη γραμμικών χρονοσειρών.
• Πρόβλεψη μη γραμμικών χρονοσειρών, μέθοδοι και μοντέλα.