|
|
Atividade
| 112839 - Séries Temporais Aplicadas à Projeção de Preços |
| Período da turma: | 09/05/2024 a 01/08/2024
|
||||
|
|
|||||
| Descrição: | OBJETIVOS DA DISCIPLINA
Acrescentar e atualizar os alunos com conceitos gerais sobre probabilidade, estatística e processos estocásticos aplicados no âmbito de séries temporais. Introduzir o conceito de séries temporais e as técnicas clássicas (análise de regressão) e baseadas em aprendizado de máquina (dentre elas redes neurais artificiais e long-short term memory) necessárias à construção de modelos de previsão. OBJETIVOS DE APRENDIZAGEM Ao final desta disciplina, os alunos deverão: compreender conceitos de probabilidade e estatística aplicados à análise de séries temporais, os quais são necessários ao emprego dos modelos de previsão; e criar modelos de previsão baseados em algoritmos de regressão e/ou aprendizado de máquina supervisionado. CONTEUDO PROGRAMÁTICO Estatística - Introdução à Estatística - Apresentação e Análise de dados estatísticos - Testes de significância - Análise de variâncias Conceitos Gerais de Probabilidades - Probabilidade - Distribuições de probabilidade - Conceitos de amostragem e eventos - Modelos probabilísticos Processos Estocásticos - Processos estacionários e não estacionários - Processos de raiz unitária - Processos de tendências - Processos integrados Séries temporais - Aplicação de séries temporais - Conceitos básicos sobre séries temporais, Tendência, Sazonalidade - Autocorrelação e Autocovariância - PCA Engenharia de dados - Limpeza de dados Página 1 de 4 - Análise de dados faltantes - Método de imputação de dados - Extração de características - Seleção de características Análise de regressão - Introdução a modelos de regressão - ARIMA - SARIMA - Linear - Logística - Binomial - LASSO Machine Learning - Introdução aos modelos aprendizado supervisionado - RNA - Deep Learning - Métricas de avaliação de desempenho METODOLOGIA Aulas expositivas, exercícios em sala e tarefas CRITÉRIOS DE AVALIAÇÃO Notas das tarefas BIBLIOGRAFIA - STEVENSON, J. W. Estatística aplicada à administração, 2001. - MORETIN, P. e TOLOI, C.M. Análise de séries temporãos, 2006. - GUJARATI, D. N. e PORTER, D. C. Econometria básica, 2011. - MITCHELL, T. et al. Machine learning, 2007. - WITTEN, I. H. et al. Practical machine learning tools and techniques. In: Data Mining.2005. - HAYKIN, S.; NETWORK, N. A comprehensive foundation. Neural networks, 2004. - NAMETALA, C. A. L. Redes neurais atencionais aplicadas a modelagem e previsão de preços no mercado de eletricidade brasileiro. 2023. 303p. Tese (Doutorado) - Escola de Engenharia de São Carlos, Universidade de São Paulo, São Carlos, 2023. HONG, T. et al. Energy Forecasting: A Review and Outlook. IEEE Open Access Journal of Power and Energy, 2020. WERON, R. Electricity price forecasting: A review of the state-of-the-art with a look into the future. International Journal of Forecasting, 2014. |
||||
| Carga Horária: |
27 horas |
||||
| Tipo: | Obrigatória | ||||
| Vagas oferecidas: | 70 | ||||
| Ministrantes: |
Benvindo Rodrigues Pereira Junior |
 voltar |
|
Créditos © 1999 - 2025 - Superintendência de Tecnologia da Informação/USP |