Apolo

Atividade

130380 - Redes Recorrentes e Séries Temporais

Período da turma:

07/10/2025 a 16/12/2025

Selecione um horário para exibir no calendário:

Descrição:

Objetivo:
Essa disciplina apresenta como construir modelos de redes neurais “deep learning” para análise e previsão de séries temporais. São apresentadas as práticas recomendadas para preparar dados de séries temporais e uso de redes recorrentes e convolucionais para previsão. As várias variantes das redes recorrentes são apresentadas: RNN, GRU e LSTM. A disciplina é baseada em atividades práticas onde o aluno utiliza dados reais para desenvolver modelos de previsão de clima, manchas solares, mercado financeiro etc.

Ementa:
• Preparação de dados de séries temporais para análise e previsão usando redes neurais.
• Técnicas clássicas de análise e previsão de séries temporais.
• Uso de redes recorrentes com camadas recorrentes simples para análise de séries temporais.
• Uso de redes recorrentes com camadas tipo GRU e LSTM para análise de series temporais.
• Uso de redes com camadas convolucionais 1D para análise de séries temporais.
• Realização durante as aulas de atividades práticas usando a linguagem Python e a plataforma TensorFlow/Keras.

Bibliografia:
• Rob J Hyndman and George Athanasopoulos, Forecasting: principles and practice. Disponível em http://otexts.com/fpp/.
• Jason Brownlee, Deep Learning for Time Series Forecasting. Ebook disponível em https://machinelearningmastery.com/deep-learning- for-time-series-forecasting/.
• N.D. Lewis, Deep Time Series Forecasting with Python: An Intuitive Introduction to Deep Learning for Applied Time Series Modeling, 2016.

Carga Horária:

27 horas

Tipo:

Obrigatória

Vagas oferecidas:

Ministrantes:

Marlon Sproesser Mathias

voltar