kender til betingning i den flerdimensionale normalfordeling samt sædvanlig og generaliseret mindste kvadraters metode og de derved fremkomne OLS og GLS estimatorer
kan forstå tidsrækkeanalyse som en stokastisk proces og forstå sammenhængen mellem stokastiske processer og dynamiske systemer og kender til de stokastiske processer kendt som Box-Jenkins modellerne, herunder især ARMA modellerne
Exponential smoothing
Forecasting metoder for tidsrækker
er i stand til teoretisk at fortolke tidsrækkemodellernes statistiske egenskaber
kan foretage alle faserne i en klassisk tidsrækkenalyse: Identifikation, estimation, modelkontrol, forecasting og statistisk fortolkning
kan bruge korrelogrammer og andre grafiske hjælpemidler i identifikationsfasen
kan anvende og sætte sig ind i nyere statistiske metoder til analyse af tidsrækker
er i stand til at anvende tidsrækkeanalysens begreber for en konkret problemstilling
Forelæsninger med tilhørende opgaveregning
Det forventes at den studerende bruger 30 timer per ECTS, hvilket for denne aktivitet betyder 150 timer.
Prøvens navn | Tidsrækkeanalyse og forecasting |
Prøveform | Skriftlig eller mundtlig |
ECTS | 5 |
Bedømmelsesform | 7-trins-skala |
Censur | Intern prøve |
Vurderingskriterier | Vurderingskriterierne er angivet i Universitetets eksamensordning |
Kontakt: Studienævn for datalogi via cs-sn@cs.aau.dk eller 9940 8854
Engelsk titel | Time Series and Forecasting |
Modulkode | DSNDVK202 |
Modultype | Kursus |
Varighed | 1 semester |
Semester | Forår
|
ECTS | 5 |
Undervisningssprog | Dansk og engelsk |
Tomplads | Ja |
Undervisningssted | Campus Aalborg |
Modulansvarlig |
Uddannelsesejer | Cand.scient. i datavidenskab og machine learning |
Studienævn | Studienævn for Datalogi |
Institut | Institut for Datalogi |
Fakultet | Det Teknisk Fakultet for IT og Design |