Apolo

Atividade

136314 - Aprendizado Dinâmico

Período da turma:

11/07/2026 a 12/09/2026

Selecione um horário para exibir no calendário:

Descrição:

Objetivos: 

Fornecer os conceitos fundamentais, ferramentas e técnicas de aprendizado dinâmico para a modelagem e previsão em séries temporais. O curso abrange desde fundamentos estatísticos até abordagens modernas com aprendizado de máquina e redes neurais artificiais recorrentes. Práticas com modelos de linguagem (LLMs), destacando sua aplicação em tarefas de análises em séries temporais. O conteúdo combina fundamentos teóricos com estudos de caso aplicados, capacitando os alunos a resolver problemas reais em análise de dados dinâmicos com ferramentas tradicionais altamente interpretáveis e atuais com alto poder preditivo.

Ementa: 

1. Séries temporais: Conceitos básicos, Suavização e tendência, Sazonalidade e Alisamento exponencial.
2. Séries estacionárias.
3. Função de autocovariância e autocorrelação.
4. Modelos: ARMA, ARIMA, SARIMA: Identificação, Estimação, Previsão, Diagnósticos.
5. Modelos estruturais: modelos de espaço de estado e previsão Bayesiana.
6. Previsão de séries temporais: Método theta, Método theta expandido.
7. Redes Dinâmicas: Representação, manipulação e visualização, Caracterização de redes dinâmicas, Modelagem de redes dinâmicas.
8. Modelos de Linguagem (LLMs) para a análise de séries temporais.
9. Análise de Sobrevivência: Peculiaridades dos dados, Estimação não paramétrica, Funções de sobrevivências usuais, Ajuste de modelos, Modelos de longa duração, Regressão em análise de sobrevivência.

Referências:
1. Morettin, P. A. e Toloi, C.M.C. Análise de Séries Temporais: Modelos Lineares Univariados. Blucher. ABE Projeto Fisher. 2018.
2. Kolaczyk, E. D. and Csárdi, G. Statistical Analysis of Network Data with R, Springer. 2014.
3. Cowpertwait, P. S.P. and Metcalfe, A. V. Introductory Time Series with R, Springer. 2009.
4. Louzada, F.; Mazucheli, J. e Achcar, J.A. Análise de Sobrevivência e Confiabilidade. Lima, Peru: Instituto de Matematicas y Ciencias Afines, IMCA, 2002.
5. Colosimo, E. A. e Giolo, S. R. Análise de Sobrevivência Aplicada. Blucher, 2006.
6. Hyndman, R. and Athanasopoulos, G. Forecasting: Principles and Practice. OTexts, 2018.
7. Xue, H., & Salim, F. D. (2023). Promptcast: A new prompt-based learning paradigm for time series forecasting. IEEE Transactions on Knowledge and Data Engineering, 36(11), 6851-6864.

Carga Horária:

40 horas

Tipo:

Obrigatória

Vagas oferecidas:

320

Ministrantes:

Cibele Maria Russo Novelli

voltar