О курсе
Основной целью курса является формирование у обучающихся необходимого набора компетенций для подготовки к профессиональной деятельности, выработка творческого подхода в использовании уже накопленных знаний и приобретении новых сведений. Курс изучается в 4-м семестре и является одним из базовых для формирования составляющих результатов освоения основной образовательной программы (ООП).
Учебная программа текущего семестра направлена на исследование возможностей различных инструментальных средств для отображения и анализа прогнозов одномерных временных рядов с использованием модели экспоненциального сглаживания (модель Брауна), модели авторегрессии – скользящего среднего ARIMA (модель Бокса-Дженкинса), расширенной адаптивной динамической модели, аддитивной модели с учётом нелинейных тенденций.
Планируемые результаты обучения по дисциплине
- РО1: Умение использовать библиотеки языка статистического моделирования R для построения прогнозных моделей с экспоненциальным сглаживанием.
- РО2: Умение использовать библиотеки языка статистического моделирования R для построения прогнозных моделей Бокса-Дженкинса.
- РО3: Умение использовать библиотеки языка статистического моделирования R для прогнозирования временных рядов с использованием расширенной адаптивной динамической модели.
- РО4: Умение на языках Python и R разрабатывать аддитивные модели, где нелинейные тенденции соответствуют годовой, еженедельной и ежедневной сезонности.
Образовательная программа (ООП)
09.03.04 Программная инженерия
профиль "Промышленная разработка программного обеспечения"
Программа курса в семестре
Тема 1. Исследование инструментов для отображения и анализа прогнозов одномерных временных рядов с использованием модели экспоненциального сглаживания (модель Брауна).
Тема 2. Исследование инструментов для отображения и анализа прогнозов одномерных временных рядов с использованием модели авторегрессии – скользящего среднего ARIMA (модель Бокса-Дженкинса).
Тема 3. Исследование инструментов для отображения и анализа прогнозов одномерных временных рядов с использованием расширенной адаптивной динамической модели.
Тема 4. Исследование возможностей языков Python и R для прогнозирования временных рядов на основе аддитивной модели.
Длительность курса, количественные характеристики, форма аттестации
Продолжительность курса – 18 недель.
Трудоемкость освоения курса – 144 часа.
Трудоемкость курса – 4 зачетные единицы
Форма контроля - зачёт
Автор курса
Ботыгин Игорь Александрович, к.т.н., доцент ОИТ ИШИТР
- Ассистент (без права редактирования): Ботыгин Игорь Александрович
- Ассистент (без права редактирования): Чердынцев Евгений Сергеевич