|
|
Atividade
| 134551 - Séries temporais aplicadas à projeção de preços |
| Período da turma: | 05/08/2025 a 05/12/2026
|
||||
|
|
|||||
| 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 - 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. - NIELSEN, A. Análise Prática de Séries Temporais: Predição com Estatística e Aprendizado de Máquina, O'Reilly, 2021 - 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. PEIXEIRO, M. Time Series Forecasting in Python, Manning, 2022 COMPROMISSO ÉTICO – PROFESSOR ALUNO Respeito do Professor a todos os alunos, preparando-se para as aulas, respondendo a dúvidas, avaliando-os com isenção e imparcialidade e procurando ajudá-los no que estiver ao seu alcance. Respeito dos alunos ao Professor e aos seus colegas, comportando-se nas aulas de maneira a não prejudicar seu andamento normal, enriquecendo sempre que possível com perguntas e dúvidas pertinentes aos assuntos tratados e preparando-se para as aulas de maneira a aproveitá-las ao máximo. ATIVIDADES EXTRA CLASSE 1- Leituras suplementares 2– Listas de Exercícios |
||||
| Carga Horária: |
35 horas |
||||
| Tipo: | Obrigatória | ||||
| Vagas oferecidas: | 80 | ||||
| Ministrantes: |
Benvindo Rodrigues Pereira Junior |
 voltar |
|
Créditos © 1999 - 2025 - Superintendência de Tecnologia da Informação/USP |