Course Syllabus
Obiettivi
Il corso fornisce gli strumenti per gestire, analizzare e prevedere dati in forma di serie storica anche quando generati in tempo reale.
Oltre alle metodologie per la gestione del dato in tempo reale, il corso copre sia modelli lineari (ARIMA, VAR, state-space/filtro di Kalman) sia modelli non lineari (reti neurali, support vector machine).
Lo studente che avrà seguito l'insegnamento con successo saprà gestire dati in tempo reale, scegliere e identificare il modello di serie storiche più adatto al problema e produrre scomposizioni e previsioni delle serie storiche sotto analisi.
Contenuti sintetici
Gestione dei dati in tempo reale, modelli basati su filtri lineari (ARIMA, VAR), modelli basati su componenti non osservabili (state-space/Kalman filter), modelli non lineari (reti neurali, support vector machine, vicini più vicini).
Programma esteso
Prima parte
- Teoria della previsione statistica (miglior previsore e miglior previsore lineare).
- Processi stazionari e integrati
- Modelli ARIMA
- Modelli VAR e cointegrazione
- Modelli a componenti non nosservabili (UCM)
- Forma state-space
- Kalman filter e stime di massima verosimiglianza di modelli in forma state-space
- Smoothing delle variabili di stato e dei disturbi (estrazione comonenti e identificazione di anomalie).
- Applicazioni a dati reali usando R (o Python)
Seconda parte
- Principali task di time-series mining
- Similarità e Clustering
- Classificazione, regressione e previsione
- Approcci non parametrici basati su Machine Learning
- Reti Neurali
Prerequisiti
Per seguire l'insegnamento con successo è necessario conoscere l'inferenza statistica, R e Python.
Modalità didattica
Lezioni teoriche e pratiche in laboratorio informatico.
Materiale didattico
Rob J Hyndman and George Athanasopoulos, Forecasting: Principles and Practice (2nd ed): https://otexts.com/fpp2/
Pelagatti M. (2015) Time Series Modelling with Unobserved Component Models. Chapman and Hall/CRC (il libro è scaricabile gratuitamente sotto indirizzo IP di Bicocca).
Galit Shmueli, Kenneth C. Lichtendahl Jr. “Practical Time Series Forecasting with R: A Hands-On Guide” [2nd Edition] (Practical Analytics) – July 19, 2016
Abhijit Ghatak (2019) Deep Learning with R. Springer
Francesca Lazzeri (2021) Machine Learning for Time Series Forecasting with Python. Wiley
Altro materiale sarà reso disponibile sulle pagine elearning.
Periodo di erogazione dell'insegnamento
Primo semestre
Modalità di verifica del profitto e valutazione
L'esame è organizzato in due parti. Entro la data dell'esame ciascuno studente dovrà produrre e inviare ai docenti un elaborato dove una o più serie storiche concordate con i docenti dovranno essere analizzate e previste per mezzo di modelli ARIMA, UCM e non-lineari (reti ricorrenti, SVM, ecc.). Lo studente illustrerà l'elaborato durante l'orale e i docenti potranno fare domande sul contenuto. Nel medesimo giorno dell'orale vi è anche uno scritto dalla durata di un'ora che prevede la risposta a cinque domande teoriche su modelli ARIMA e UCM.
Per superare l'esame entrambe le parti dovranno essere sufficienti e il voto finale sarà calcolato come media aritmetica semplice delle votazioni delle due parti.
La valutazione della parte teorica sarà basata sull'esattezza e la completezza delle risposte alle domande proposte (ogni risposta ha lo stesso peso nel voto). La valutazione dell'elaborato sarà basata sulla qualità dei modelli costruiti e, in particolare, sulle features costruite e sulla selezione dei modelli finali.
Orario di ricevimento
Pelagatti: su appuntamento (matteo.pelagatti@unimib.it).
Aims
The course illustretes methods and applications for managing, analysing and forecasting - possibly streaming - time series.
Beside data managing applications, our lessons cover both linear (ARIMA, VAR, state-space/Kalman filter) and nonlinear (neural networks, support vector machine) methods.
The student who succesfully follows this course will be able to manage streaming data and select, identify and implement the time series model fit to the data and the problem under analysis.
Contents
Streaming data management, linear-filter based models (ARIMA, VAR), unobserved component models (state-space form/Kalman filter), non-linear methods (neural networks, support vector machines, nearest neighbors).
Detailed program
First part
- Theory of statistical prediction (best predictor, best linear predictors).
- Stationary and integrated processes
- ARIMA models
- VAR models and cointegration
- Unobserved Component Models (UCM)
- State-space form
- Kalman filter and maximum likelihood estimation of model in state-space form
- State and disturbance smoothing
- Many applications to real data using R (or Python)
Second part
- Managing time series data: time series databases
- Main time series mining tasks
- Similarity and Clustering
- Classification, regression and forecasting
- Non-parametric approaches based on machine Learning
- Artificial Neural Networks
Prerequisites
Attending students should know statistical inference, R and Python.
Teaching form
Theoretical lessons and computer applications in lab.
Textbook and teaching resource
Rob J Hyndman and George Athanasopoulos, Forecasting: Principles and Practice (2nd ed): https://otexts.com/fpp2/
Pelagatti M. (2015) Time Series Modelling with Unobserved Component Models. Chapman and Hall/CRC (il libro è scaricabile gratuitamente sotto indirizzo IP di Bicocca).
Galit Shmueli, Kenneth C. Lichtendahl Jr. “Practical Time Series Forecasting with R: A Hands-On Guide” [2nd Edition] (Practical Analytics) – July 19, 2016
Abhijit Ghatak (2019) Deep Learning with R. Springer
Francesca Lazzeri (2021) Machine Learning for Time Series Forecasting with Python. Wiley
Further material will be available in the elearning platform.
Semester
First semester
Assessment method
The examination is organized in two parts. By the date of the examination each student has to produce and send to the lecturers a paper in which he/she has to analyze and predict one or more time series (in agreement with the lecturers) using linear (ARIMA, UCM) and non-linear methods (RNN, SVM, etc.). The student will illustrate the paper during the oral examination and the lecturers will ask questions about its content. On the same day of the oral exam, there will be also a one-hour written assessment, which consists in answering to five theoretical questions on ARIMA and UCM models.
In order to pass the exam both parts must have a positive valuation and the final grade will be computed as simple mean of the grades of the two parts.
The evaluation of the theoretical part is based on the exactness and completeness of the answers (each answer is equally weighted). The assessment of the prediction exercise is based on the quality of modelling. We will pay particular attention to feature engineering and model selection procedures.
Office hours
Pelagatti: by appointment (matteo.pelagatti@unimib.it).
Staff
-
Matteo Maria Pelagatti