Wiki - Факультет компьютерных наук - Вклад [ru]

Моделирование временных рядов 20/21

2020-11-15T19:40:42Z

Eliza:

== О курсе ==

Курс по выбору для студентов для студентов 3 и 4 курса в 1-2 модулях.

'''Лектор:''' Демешев Борис Борисович

Лекции проходят на Покровке по четвергам в ауд. M203 (18:10 - 19:30)

'''Семинарист:''' Зехов Матвей Сергеевич

Семинары проходят на Покровке по вторникам в ауд. D504 (09:30 - 10:50)

=== Полезные ссылки ===

[https://t.me/joinchat/D7t-fhh536WKWc7kj3Amxw Телеграм-чат курса]

[https://anytask.org/course/707 Anytask курса]

[https://github.com/Pyatachokk/hse_ts_course Гитхаб курса]

[https://docs.google.com/spreadsheets/d/1T69SVWNusmmcIIOmYVjfwZY2ADU43HEEllxzWuLtMmE/edit?usp=sharing Таблица с оценками]

== Боевой листок ==

==== Неделя 1 ====

[10 сентября] Лекция: Наивная модель. Оценка параметра. Точечный и интервальный прогноз. Алгоритм DTW.

Семинар: Визуализация рядов, периодичность, тривиальные модели прогнозирования [https://www.youtube.com/watch?v=Qmvgjob--0o&feature=youtu.be&ab_channel=ФКНВШЭ—дистанционныезанятия Видео] [https://github.com/Pyatachokk/hse_ts_course/blob/master/2020-fall/seminars/sem_1.ipynb Ноутбук]

Дополнительно: [https://m.youtube.com/watch?v=_K1OsqCicBY видео про DTW]

==== Неделя 2 ====

[17 сентября] Лекция: Наилучшее линейное приближение. Обычная и частная корреляция. Стационарность процесса. Очень краткое введение в МНК.
Оценка корреляции. [https://www.youtube.com/watch?v=r-yJXsHrbfo Видео]

Семинар: Задача линейной регрессии. Метод наименьших квадратов. Теорема Гаусса-Маркова. Статистические свойства оценок. Автокорреляции. [https://youtu.be/dVrsAXHytgw Видео]

==== Неделя 3 ====

[24 сентября] Лекция: Модели ETS. Правдоподобие моделей ETS. [https://youtu.be/F4dv_9sjodY видео]

Семинар: Модели экспоненциального сглаживания. Модели Хольта-Винтерса. Модели ETS. [https://youtu.be/KU75dnwChCY Видео] [https://github.com/Pyatachokk/hse_ts_course/blob/master/2020-fall/seminars/sem_3.ipynb Ноутбук]

==== Неделя 4 ====

[1 октября] Лекция:

Семинар: Стабилизация дисперсии. Отбор моделей. Тестирование качества модели. Информационные критерии. Кросс-валидация. Метрики качества. [https://youtu.be/w_MBMoWJcGA Видео] [https://github.com/Pyatachokk/hse_ts_course/blob/master/2020-fall/seminars/sem_4.ipynb Ноутбук]

[https://youtu.be/tyWPLaz8t6o Тестирование гипотез]

==== Неделя 5 ====

[15 октября] Лекция:

Семинар: Ансамблирование. Лаговые полиномы. AR-процесс, вывод автокорреляции и частной автокорреляции. [https://youtu.be/WlzPAkZnRGg Видео]

==== Неделя 6 ====

[29 октября] Лекция:

Семинар: MA-процесс. ARMA-процесс. Условие стационарности/стабильности процесса. Примеры симуляций. [https://youtu.be/3Q7YhpFBmWc Видео] [https://github.com/Pyatachokk/hse_ts_course/blob/master/2020-fall/seminars/sem_6.ipynb Ноутбук]

==== Неделя 7 ====

[5 ноября] Лекция: AR-процесс. Теорема о стационарных решениях.

Семинар: Проблема нестационарности. Модели трендов. Детерминированный и стохастический тренды. ARIMA-модель. [https://youtu.be/dTpReT0ohpw Видео] [https://github.com/Pyatachokk/hse_ts_course/blob/master/2020-fall/seminars/sem_7.ipynb Ноутбук]

==== Неделя 8 ====

[12 ноября] Лекция:

Семинар: Тестирование нестационарности. ADF-тест. KPSS-тест. Стратегии прогнозирования: прямая и рекурсивная. [https://youtu.be/wylBal05Lc8 Видео]

==== Неделя 9 ====

[19 ноября] Лекция:

Семинар:

==== Неделя 10 ====

[26 ноября] Лекция:

Семинар:

==== Неделя 11 ====

[3 декабря] Лекция:

Семинар:

==== Неделя 12 ====

[10 декабря] Лекция:

Семинар:

==== Неделя 13 ====

[17 декабря] Лекция:

Семинар:

=== Контрольная работа ===
[https://github.com/bdemeshev/tseries_hse_2020_21/raw/main/kr_01/ts_kr_01.pdf условие], дропбокс [https://www.dropbox.com/request/ViqJ3JZkHyLwlAqHBSjS для загрузки решений].

=== Домашние задания ===

'''Общие правила'''

Домшние задания сдаются в энитаск. Инвайт был выслан в групповой чат.

Мягких дедлайнов нет. Все дедлайны жёсткие.

При обнаружении плагиата оценки за домашнее задание обнуляются всем задействованным в списывании студентам, а также подаётся докладная записка в деканат. Следует помнить, что при повторном списывании деканат имеет право отчислить студента.

При наличии уважительной причины пропущенную проверочную можно написать позднее, а дедлайн по домашнему заданию может быть перенесён. Дедлайн по домашнему заданию переносится на количество дней, равное продолжительности уважительной причины. Решение о том, является ли причина уважительной, принимает исключительно учебный офис.

В задачах на визуализацию все графики должны иметь оси/заголовки и прочие обязательные атрибуты. При их отсутствии графики оцениваться не будут.

Формат файла для сдачи домашнего задания:

Схема: ДЗ_{Номер домашнего задания}_{Фамилия кириллицей}_{Город (Москва/Петербург)}.ipynb

Пример: ДЗ_1_Зехов_Петербург.ipynb

'''Домашнее задание 1'''

Обработка данных. Визуализация. Построение тривиальных моделей прогнозирования.

Выдается: 27.09.2020 18.00

Дедлайн: 09.10.2020 23.00

[https://github.com/Pyatachokk/hse_ts_course/blob/master/2020-fall/homeworks-practice/HW1.ipynb Задание]

[https://github.com/Pyatachokk/hse_ts_course/blob/master/2020-fall/homeworks-practice/hw_data_bad.xlsx Данные]

[https://github.com/Pyatachokk/hse_ts_course/blob/master/2020-fall/homeworks-practice/hw_data_good.csv Эталонные данные]

'''Домашнее задание 2'''

Стабилизация дисперсии. Отбор моделей. Тестирование качества оценки модели. Кросс-валидация.

[https://github.com/Pyatachokk/hse_ts_course/blob/master/2020-fall/homeworks-practice/HW_2/HW_2.ipynb Задание]

[https://github.com/Pyatachokk/hse_ts_course/blob/master/2020-fall/homeworks-practice/HW_2/hw_data.csv Данные]

Выдается: 06.10.2020 18.30

Дедлайн: 18.10.2020 23.00

'''Домашнее задание 3'''

Модели ARIMA/SARIMA

'''Домашнее задание 4'''

Модели с ненаблюдаемыми компонентами. Фильтр Калмана.

=== Итоговая оценка за курс ===

Итог = 0.4 * ДЗ + 0.3 * КР + 0.3 * Экз

ДЗ — средняя оценка за домашние задания

КР — оценка за контрольную работу

Экз — оценка за письменный экзамен

== Литература ==

* Tsay R. S. Analysis of financial time series

* Лекции курса [https://ocw.mit.edu/courses/economics/14-384-time-series-analysis-fall-2013/download-course-materials/ по временным рядам от MIT].

* Коралов Л.Б., Синай Я.Г. — [https://www.mindmeister.com/generic_files/get_file/7942550?filetype=attachment_file Теория вероятностей и случайные процессы]

* Van der Vaart A. W. Time series [https://www.math.leidenuniv.nl/~avdvaart/timeseries/index.html lecture notes]

* Hyndman R. J., Athanasopoulos G. [https://otexts.com/fpp3/ Forecasting principles and practice], книга написана для языка R, однако можно найти полезные материалы по теории, в частности, по моделям ETS

* [https://github.com/rlabbe/Kalman-and-Bayesian-Filters-in-Python Kalman filter in python]

* [https://pdfs.semanticscholar.org/0bc8/582016086017763b93e87ad8640ec1816aeb.pdf Unobserved component model]

Моделирование временных рядов 20/21

2020-11-15T19:40:18Z

Eliza:

Наука о данных (Экономика)

2020-02-16T17:54:59Z

Eliza:

==О курсе==

'''Преподаватели:''' Ананьева Марина Евгеньевна, [https://www.hse.ru/staff/bbd Демешев Борис Борисович], Зарманбетов Ахмед Курманалиевич, Максимовская Анастасия Максимовна, [https://www.hse.ru/org/persons/65841825 Петросян Артур Тигранович], Ульянкин Филипп Валерьевич, Филатов Артём Андреевич.
{| class="wikitable"
|-
! Группа !! Преподаватель !! Учебный ассистент !! contact !! Расписание
|-
| 181 || [https://www.hse.ru/staff/bbd Борис Демешев] || Полина Ревина || @r9vina ||
|-
| 182 || [https://www.hse.ru/staff/bbd Борис Демешев] || Василиса Серякова || @Vasilisa_Seryakova ||
|-
| ... || [https://www.hse.ru/org/persons/101555071 Артем Филатов] || || ||
|-
| ... || [https://www.hse.ru/org/persons/65841825 Артур Петросян] || || ||
|-
| 185 || Филипп Ульянкин || Лиза Махнева || @eliza_1 ||
|}

'''Аннотация курса:'''
Курс "Наука о данных" нацелен на изучение языка программирования Python и получение базовых знаний и навыков для обработки, визуализации и статистического анализа данных, а также дальнейшего прохождения более специализированных курсов в этой области (например, машинного обучения). Первая часть дисциплины отведена на изучение основ языка Python, по итогам которой слушатели узнают о типах и структурах данных, научатся решать алгоритмические задачи и освоят такие базовые понятия программирования, как: условные операторы, функции, рекурсии и циклы. В рамках курса будут пройдены основы различных парадигм программирования: процедурное, функциональное и объектно-ориентированное программирование. Вторая часть курса посвящена освоению теоретической базы и необходимых практических навыков для анализа данных. Слушатели научатся решать задачи по парсингу, препроцессингу и визуализации данных с помощью стандартных и внешних библиотек Python, проверять статистические гипотезы и критерии качества оценок (состоятельность, эффективность и несмещенность), использовать метод максимального правдоподобия.

[https://www.hse.ru/edu/courses/292669321 Официальная программа]

[https://www.coursera.org/learn/python-osnovy-programmirovaniya Информация об онлайн-курсе]

== Правила выставления оценок ==
[https://docs.google.com/spreadsheets/d/13YDDmS561QSkQukWqHnPn_3-aRkniD2trb_KhvsxMRA/edit#gid=0 Таблица с оценками]

Oитоговая = 0.15 * Oонлайн-курс + 0.1 * ОДЗ1 + 0.1 * ОДЗ2 + 0.1 * ОДЗ3 + 0.2 * ОКР1 + 0.2 * ОКР2 + 0.2 * Оэкз

К оценке применяется стандартное арифметическое округление.

==Материалы курса==

Все материалы семинаров находятся [https://github.com/hse-econ-data-science/eds_spring_2020 в репозитории на гитхабе].

Также, для удобства коммуникации, создан [https://t.me/data_science_economics_2020 чат в telegram].

==Литература==

'''Рекомендуемая основная литература:'''

* Christopher M. Bishop. (n.d.). [http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsbas&AN=edsbas.EBA0C705 Pattern Recognition and Machine Learning.] Australian National University.
* Lutz, M. (2008). [http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=415392 Learning Python (Vol. 3rd ed).] Beijing: O’Reilly Media.
* Кремер Н. Ш. [https://biblio-online.ru/book/teoriya-veroyatnostey-i-matematicheskaya-statistika-431167 ТЕОРИЯ ВЕРОЯТНОСТЕЙ И МАТЕМАТИЧЕСКАЯ СТАТИСТИКА 5-е изд., пер. и доп. Учебник и практикум для академического бакалавриата.] Издательство Юрайт, 2019.
* Энатская Н. Ю., Хакимуллин Е. Р. [https://biblio-online.ru/book/teoriya-veroyatnostey-i-matematicheskaya-statistika-446435 ТЕОРИЯ ВЕРОЯТНОСТЕЙ И МАТЕМАТИЧЕСКАЯ СТАТИСТИКА. Учебник и практикум для СПО.] Издательство Юрайт, 2019.
* Hastie, T., Tibshirani, R., Friedman, J. [https://link.springer.com/book/10.1007%2F978-0-387-84858-7 The elements of statistical learning: Data Mining, Inference, and Prediction.] Springer, 2009.

'''Рекомендуемая дополнительная литература:'''

* Vanderplas, J. T. [http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=nlebk&AN=1425081 Python Data Science Handbook : Essential Tools for Working with Data (Vol. First edition).] CA: Reilly - O’Reilly Media, 2016.
* Митчелл Р. [https://e.lanbook.com/book/100903 Скрапинг веб-сайтов с помощю Python.] Издательство "ДМК Пресс", 2016.