Msc Lab "Information Systems and Services" 2024
Το συγκεκριμένο αποθετήριο εμπεριέχει οδηγίες και λεπτομερή βήματα για εξοικείωση των προγραμματιστών με την ανάλυση δεδομένων χρονοσειράς ως απόρροια του εργαστηριακού μαθήματος που πραγματοποιείται στο Μεταπτυχιακό Πρόγραμμα Σπουδών "Πληροφοριακά Συστήματα και Υπηρεσίες" του Τμήματος Ψηφιακών Συστημάτων του Πανεπιστημίου Πειραιώς.
H εξοικείωση των φοιτητών με την ανάλυση δεδομένων χρονοσειράς και ειδικότερα την εκμάθηση βασικών τεχνικών και μεθόδων ανάλυσης όπως καθαρισμός, προεπεξεργασία, οπτικοποίηση και εφαρμογή στατιστικών μοντελών για πραγματοποίηση προβλέψεων.
-
Για τους σκοπούς της εκπαίδευσης το link για τη πρακτική εφαρμογή δίδεται παρακάτω σε μορφή google colab σημειωματάριου:
https://colab.research.google.com/drive/1-oq3Vbyqx1KxUYKM0fsWC6GOhKcB6e0l?usp=sharing
-
H πρόσβαση στο σημειωματάριο ειναι ανοικτή για τους φοιτητές, χωρίς δικαιώμα παρέμβασης στον εν λόγω πηγαίο κώδικα
- Εισαγωγή δεδομένων
- Οπτικοποίηση δεδομένων
- Εντοπισμός Τασης και εκλειπόντων τιμών
- Καθαρισμός δεδομένων (αφαίρεση Τάσης και διαχείριση εκλειπόντων τιμών)
- Μοντελοποίηση
- Simple Moving Average combined with Linear Regression
- Exponential Smmothing
- ARIMA
- Αξιολόγηση
-
src: Εμπεριέχει το .ipynb σημειώματαριο (Jupyter Notebook) (Timeseries_Msc_lab_Information_Systems_and_Services_2024) με ολόκληρο τον πηγαίο κώδικα που απαιτείται για την ανάλυση χρονοσειρών
-
data: Εμπεριέχει το σύνολο δεδομένων - που αναλύεται. Λεπτομέρειες περι των δεδομένων αναφέρονται στο .ipynb σημειώματαριο.
Παράδειγμα 1: Aνάλυση χρονοσειρών με στατιστικά μοντέλα ARMA και ARIMA
Παράδειγμα 2: Ανάλυση Χρονοσειράς, οπτικοποίηση δεδομένων
Παράδειγμα 3: Ανάλυση Χρονοσειράς, πρακτική εφαρμογή κινητού μέσου
Παράδειγμα 4: Ανάλυση Χρονοσειρών, πρακτική εφαρμογή με μοντέλα Deep Learning
Efterpi Paraskevoulakou BSc, MSc, PhD(C)
email: e.paraskevoulakou@unipi.gr