Статистические методы и модели прогнозирования

Цели и задачи дисциплины

Цели: научиться разрабатывать различные статистические модели (регрессионные и временных рядов, кластеризации и классификации), оценивать их качество, выбирать оптимальные строить на основе выбранной модели статистические прогнозы. Задачи: - освоить теоретические основы и практическую реализацию с помощью библиотек Python регрессионных моделей - научиться работать с временнными рядами - получить представление об использовании Python при решении задач кластеризации и классификации - научиться оценивать качество моделей, осуществлять выбор оптимальной модели и использовать её для различных задач прогнозирования

Краткое содержание дисциплины

Рассматривается построение точечного и интервального прогноза на основе регрессионных моделей (парных и многомерных, линейных и нелинейных). Описывается построение моделей временных рядов и их использование для прогнозирования. Часть дисциплины посвящена компонентному анализу и построению регессионных моделей на главных компонентах для борьбы с мультиколлинеарностью. Рассматриваются элементы машинного обучения (кластеризация, бинарный и многомерный классификаторы) и их использование в задачах прогнозирования и предсказания. Большое внимание в курсе уделяется возможностям библиотек языка Python для анализа данных и прогнозирования.

Компетенции обучающегося, формируемые в результате освоения дисциплины

Выпускник должен обладать:

ПК-1 Способен активно участвовать в проведении экспериментальных статистических расчетов по оригинальным методикам и критически оценивать их результаты
УК-1 Способен осуществлять критический анализ проблемных ситуаций на основе системного подхода, вырабатывать стратегию действий