Métodos de Previsão Aplicados

A unidade curricular de Métodos de Previsão está suportada nos conteúdos fundamentais de Estatística. Os conhecimentos de programação proporcionados pela unidade curricular de Programação para Ciência de Dados são uma mais-valia.

As aulas são, de acordo com o que está determinado no plano curricular, teórico-práticas, planeadas e preparadas para terem um envolvimento ativo do estudante em vários momentos ou na totalidade da aula.

Na parte teórica, de introdução de conceitos, resultados fundamentais e metodologias, será usado, tendencialmente, o método expositivo intercalado com métodos que suscitem uma participação mais ativa dos estudantes, nomeadamente, com a colocação de questões aos e pelos alunos, de forma oral e/ou numa plataforma, e também com a proposta de debate/discussão em pequenos grupos sobre algum aspeto/tópico exposto.

A parte prática será maioritariamente suportada numa ferramenta informática  (predominantemente, Google Colab com a linguagem Python ou R), fazendo-se prevalecer uma forte interação entre a teoria e a prática, dando, tanto quanto possível, um papel central à visualização e ao tratamento de situações concretas e reais. É destinada ao desenvolvimento pleno das competências elencadas, através da exemplificação comentada de procedimentos e/ou da resolução de problemas sob orientação/tutoria do docente, incentivando-se o trabalho autónomo ou em pequenos grupos, evoluindo para uma aprendizagem baseada em projeto, com a realização do trabalho de grupo que abrange todo o processo de previsão.

O bom acompanhamento das aulas por parte do estudante pressupõe uma presença assídua nas aulas e disponibilidade para que o seu envolvimento se mantenha para além da aulas, com o início ou conclusão das tarefas acordadas em aula.

Todos os materiais de apoio são disponibilizados na plataforma InforEstudande|Nonio, usando-se, complementarmente, a plataforma Teams do Microsoft Office 365, ambas com o acesso institucional disponibilizado pela Coimbra Business School|ISCAC.

As tarefas de descrição de dados e previsão envolvem, com frequência, dados em que a componente temporal não pode ser negligenciada.

Assim, nesta unidade, curricular o foco está nos dados em série temporal, pretendendo-se que o estudante seja capaz de:

• efetuar a análise exploratória ajustada à série temporal de interesse;
• executar a decomposição da série nas suas componentes;
• identificar potenciais problemas que interfiram na qualidade dos dados e efetuar o tratamento devido;
• reconhecer diferentes classes de métodos de previsão para séries temporais;
• identificar e aplicar o(s) método(s) de previsão adequado(s) em casos concretos;
• conhecer os pressupostos e as limitações dos métodos;
• saber validar os modelos obtidos e avaliar a sua capacidade preditiva.

Paralelamente, o estudante deverá ser capaz de executar as tarefas de uma forma eficiente usando a(s) ferramenta(s) informática(s) adequada(s), preferencialmente, Python ou R.

1. Descrição de séries temporais e pré-processamento
    1.1.  Análise exploratória
    1.2.  Decomposição
    1.3.  Pré-processamento

2. Previsão de séries temporais
    2.1.  Ferramentas: conceitos, procedimentos e medidas
    2.2.  Alisamento exponencial
    2.3.  Modelos ARIMA
    2.4.  Modelos de regressão dinâmicos
    2.5.  Métodos avançados de previsão

NAO

Principal:

• Hyndman, R.J., Athanasopoulos, G. (2021). Forecasting: Principles and Practice, 3rd edition. OTexts. https://otexts.com/fpp3/

Complementar:

• Box, G.E., Jenkins, G.M., Reinsel G.C. (2015). Time Series Analysis: Forecasting and Control, 4th edition. Wiley.
• Gilliland, M., Tashman, L., Sglavo, U. (2015). Business Forecasting: Practical Problems and Solutions. Wiley.
• Krispin, R. (2019). Hands-On Time Series Analysis with R. Packt Publishing.
• Lazzeri, F. (2020). Machine Learning for Time Series Forecasting with Python. Wiley.
• Nielsen, A. (2019). Practical Time Series Analysis: Prediction with Statistics and Machine Learning. O’Reilly Media.