| Název předmětu | Moderní metody zpracování časových řad a sekvencí |
|---|---|
| Kód předmětu | KI/CRS |
| Organizační forma výuky | Seminář |
| Úroveň předmětu | Magisterský |
| Rok studia | 1 |
| Semestr | Letní |
| Počet ECTS kreditů | 2 |
| Vyučovací jazyk | Čeština |
| Statut předmětu | Povinný |
| Způsob výuky | Kontaktní |
| Studijní praxe | Nejedná se o pracovní stáž |
| Doporučené volitelné součásti programu | Není |
| Vyučující |
|---|
|
| Obsah předmětu |
|
1. Časové řady a jejich vlastnosti, opakování: dekompozice, stacionarita a její testy, autokorelace a parciální autokorelace 2. Boxova-Jenkinsova metodologie: AR, MA, ARMA modely, jejich nastavení a použití 3. Modely ARIMA, SARIMA, SARIMAX a jejich nastavení a použití 4. Modelování volatility: modely ARCH, GARCH 5. Rekurentní neuronové sítě: principy a učení 6. Použití LSTM a GRU neuronových sítí pro predikci časových řad a detekci událostí 7. Modely neuronových sítí typu autoencoder a jejich použití 8. Modely sítí typu attention 9. - 10. Zpracování přirozeného jazyka pomocí strojového učení: zachycení kontextu sekvence, model CBOW, model Skip-Gram, word2vec a jeho použití 11. - 14. Prezentace aktuálních přístupů v oblasti časových řad, signálů a sekvencí
|
| Studijní aktivity a metody výuky |
| nespecifikováno |
| Výstupy z učení |
|
Předmět je zaměřen na praktické seznámení s moderními způsoby zpracování časových řad, signálů a sekvencí za použití volně dostupných nástrojů a knihoven v Pythonu a případně v R. Předmět pokrývá oblast predikce časových řad a vyhledávání událostí nad signály a sekvencemi. Cílem je poskytnout studentům jak základní teoretické pochopení modelů, tak i ucelený přehled nástrojů pro práci s nimi.
|
| Předpoklady |
|
nespecifikováno
KI/PYR |
| Hodnoticí metody a kritéria |
|
nespecifikováno
Seminární práce |
| Doporučená literatura |
|
|
| Studijní plány, ve kterých se předmět nachází |
| Fakulta | Studijní plán (Verze) | Kategorie studijního oboru/specializace | Doporučený semestr |
|---|