Κατάλογος Μαθημάτων

Χρονοσειρές και Προβλέψεις ζήτησης, Ανάλυση Χρονοσειρών, Βασικές Στατιστικές έννοιες και σε ποιοτικά χαρακτηριστικά των Χρονοσειρών, Ορισμός Πρόβλεψης, Κατηγορίες μεθόδων προβλέψεων, Πεδία και εφαρμογές πρόβλεψης, Κατηγορίες μεθόδων πρόβλεψης, Περιγραφή μαθηματικών μοντέλων και μεθόδων πρόβλεψης, Μειονεκτήματα και πλεονεκτήματα μεθόδων πρόβλεψης, Μέτρηση της ακρίβειας των προβλέψεων. Γραφική αναπαράσταση δεδομένων, Διαχείριση κενών και μηδενικών τιμών, Ημερολογιακές προσαρμογές, Στατιστική ανάλυση, Στατιστική Ανάλυση Ακρίβειας Προβλέψεων, Ρυθμός Ανάπτυξης, Κινητοί Μέσοι Όροι για εξομάλυνση (Απλός κινητός μέσος όρος, Σταθμισμένος κινητός μέσος όρος, Διπλός κινητός μέσος όρος, Κεντρικός κινητός μέσος όρος), Κλασική Μέθοδος Αποσύνθεσης, Κατηγορίες Προβλέψεων (Στατιστική, Κριτική, Στόχου, Τελική), Ορίζοντας Πρόβλεψης, Διαστήματα Εμπιστοσύνης, Διαδικασία πρόβλεψης στις επιχειρήσεις, Κινητοί Μέσοι Όροι για πρόβλεψη, Μέθοδοι Εκθετικής Εξομάλυνσης (Μοντέλο σταθερού επιπέδου), Μέθοδοι Εκθετικής Εξομάλυνσης (Μοντέλο γραμμικής τάσης, Μοντέλα μη γραμμικής τάσης, Εποχιακή Εξομάλυνση), Επιλογή μοντέλου εξομάλυνσης, Εισαγωγή στα ARIMA Μοντέλα Πρόβλεψης Χρονοσειρών (Περιορισμοί των προβλέψεων). Περιγραφή μοντέλων Παλινδρόμησης (απλή γραμμική και πολλαπλή παλινδρόμηση), Κατηγοριοποίησης (SVM και MLP) και εφαρμογές Μηχανικής Μάθησης, μοντέλα Ομαδοποίησης (Νευρωνικά δίκτυα, k-NN, Expectation Maximization).

Στόχος του μαθήματος είναι η κατανόηση των βασικών εννοιών της ανάλυσης χρονοσειρών, των στρατηγικών προβλέψης, της στατιστικής ανάλυσης και των μέτρων απόδοσης στις προβλέψεις, της παλινδρόμησης χρονοσειρών και ανάλυσης διερευνητικών δεδομένων (απλή γραμμική και πολλαπλή παλινδρόμηση), της δυαδικής κατηγοριοποίησης (όπως ως Support Vector Machines and Multiple Layer Perceptron) και εφαρμογών Μηχανικής Μάθησης καθώς και τεχνικών ομαδοποίησης (όπως Neural Networks, k-Nearest Neighbours, Expectation Maximization) ως μοντέλα πρόβλεψης. Με την ολοκλήρωση του μαθήματος οι εκπαιδευόμενοι είναι σε θέση να:

• αναλύουν και να προσαρμόζουν τα αρχικά δεδομένα
• διακρίνουν τα ποιοτικά χαρακτηριστικά των χρονοσειρών
• γνωρίζουν τις κύριες μεθόδους και τεχνικές πρόβλεψης
• χρησιμοποιούν τη μεθοδολογία των βασικών μεθόδων εκτίμησης παραμέτρων και να υπολογίζουν τους κινητούς μέσους όρους των δεδομένων
• εφαρμόζουν τις μεθόδους πρόβλεψης και να αναλύουν τα δεδομένα που απαιτούνται για το σχεδιασμό των μοντέλων πρόβλεψης
• κατανοήσουν την έννοια της πρόβλεψης για προγραμματισμό και λήψη αποφάσεων
• αναγνωρίζουν τις κύριες μεθόδους και τεχνικές πρόβλεψης

Δεν απαιτούνται.

Η κύρια διδακτική μέθοδος που ακολουθείται είναι οι παραδόσεις θεωρίας διά ζώσης μέσα στην αίθουσα. Οι παραδόσεις γίνονται με ηλεκτρονικό πρόγραμμα παρουσιάσεων, χρησιμοποιώντας φορητό Η/Υ, με κατάλληλη οθόνη προβολής και τρίποδο προβολής. Χρησιμοποιούνται διαδραστικές εικόνες και βίντεο για την επαρκής κατανόηση των αντικειμένων του μαθήματος. Επιπλέον, παραδόσεις γίνονται στον πίνακα με επίλυση προβλημάτων και ασκήσεων. Γίνεται χρήση λογισμικού συστήματος ασύρματης μάθησης (eclass). Όλες οι παρουσιάσεις, λυμένες ασκήσεις, πολυμεσικό υλικό, σημειώσεις, ασκήσεις προς παράδοση, ανακοινώσεις, σύνδεσμοι, κ.λπ. ανανεώνονται συχνά στο eclass.

• Γραπτή Τελική Εξέταση: 50%
• Σειρές Εργασιών: 50%

Ελληνικά (Αγγλικά αν υπάρχουν φοιτητές/φοιτήτριες ERASMUS)