Časové řady

V první části se účastníci seznámí se standardními postupy při modelování a predikci časových řad a vyzkouší si jednoduché postupy na ukázkových příkladech. V další části budou vysvětleny metody strojového učení aplikovatelné při predikci časových řad. Účastníci si vyzkouší sestavit a natrénovat model schopný predikovat složitější časovou řadu z historických dat a ověří schopnost modelu predikovat budoucnost.
 

• Základní znalost programování v Pythonu
• Středoškolské znalosti lineární algebry, matematické analýzy a teorie pravděpodobnosti. Bude předpokládáno základní porozumění pojmům jako vektor, matice, vektorový prostor, pravděpodobnost, podmíněná pravděpodobnost, nezávislost náhodných jevů a znalost násobení matic a derivace funkcí.
• Znalosti strojového učení na úrovni kurzu Úvod do strojového učení.

• Úvod do teorie časových řad
• Vybrané postupy modelovaní časových řad (časová a frekvenční doména, spektrální analýza, autokorelace, modely časových řad (ARIMA apod.)
• Praktický příklad (pandas, základní charakteristiky, jednoduchá predikce)
• Metody strojového učení pro časové řady (state space metody, hidden markov model, kalman filter, dopředné neuronové sítě, rekurentní neuronové sítě, LSTM)
• Praktické příklady ilustrující sílu strojového učení (příprava trénovací množiny dle typu úlohy a zvoleného modelu, trénovaní a evaluace)
• Komplexní scénář predikce časové řady pomocí rekurentní sítě (predikce teploty z vícerozměných vstupních dat: sběr a příprava trénovací množiny, trénování a validace modelu, predikování pomocí naučené sítě)