School/Faculty/Institute |
Gradutate School of Science and Engineering |
Course Code |
BDA 543 |
Course Title in English |
Time Series Forecasting |
Course Title in Turkish |
Zaman Serisi Tahminleme |
Language of Instruction |
EN |
Type of Course |
Flipped Classroom |
Level of Course |
Intermediate |
Semester |
Spring |
Contact Hours per Week |
Lecture: 3 |
Recitation: |
Lab: |
Other: |
|
Estimated Student Workload |
172 hours per semester |
Number of Credits |
7.5 ECTS |
Grading Mode |
Standard Letter Grade
|
Pre-requisites |
None |
Expected Prior Knowledge |
Basic knowledge of
• probability distributions, expectation, variance
• linear regression, logistic regression
|
Co-requisites |
None |
Registration Restrictions |
Only Graduate Students |
Overall Educational Objective |
To learn the basic methods and models for time series forecasting with hands-on applications. |
Course Description |
This course reviews the fundamental methods and models that are used in time series forecasting. It presents the basic properties of time series data such as stationarity, seasonality and trend. It covers common forecasting methods and models including smoothing methods, ARIMA models, proportional hazard models, GARCH models, VARs. It also introduces various machine learning techniques that are applied in time series forecasting. |
Course Description in Turkish |
Bu ders temel zaman serisi tahminleme metotlarını ve modellerini gözden geçirir. Durağan süreç, mevsimsellik, eğilim gibi temel zaman serisi kavramlarını tanıtır. Yumuşatma metotları, ARIMA, orantılı hazard modelleri, GARCH modelleri, vektör otoregresyon modellerin üstünden geçer. Ayrıca zaman serisi tahminlemede kullanılan çeşitli makine öğrenmesi tekniklerini tanıtır. |
Course Learning Outcomes and Competences
Upon successful completion of the course, the learner is expected to be able to:
1) Durağanlık, trend, mevsimsellik ve otokorelasyon gibi zaman serisi verilerinin temel kavramlarını anlamak
2) Zaman serisi verilerinin bileşenlerini belirleme ve işlemek
3) Bir zaman serisi tahmin problemini çözmek için uygun yöntem veya modelleri belirlemek
4) Tahmin prosedürünü uygulayın ve sonuçları yorumlamak
|
Program Learning Outcomes/Course Learning Outcomes |
1 |
2 |
3 |
4 |
1) |
|
|
|
|
2) |
|
|
|
|
3) |
|
|
|
|
4) |
|
|
|
|
5) |
|
|
|
|
6) |
|
|
|
|
7) |
|
|
|
|
8) |
|
|
|
|
9) |
|
|
|
|
10) |
|
|
|
|
Relation to Program Outcomes and Competences
N None |
S Supportive |
H Highly Related |
|
|
|
|
Program Outcomes and Competences |
Level |
Assessed by |
1) |
|
N |
|
2) |
|
N |
|
3) |
|
N |
|
4) |
|
N |
|
5) |
|
N |
|
6) |
|
N |
|
7) |
|
N |
|
8) |
|
N |
|
9) |
|
N |
|
10) |
|
N |
|
Prepared by and Date |
, |
Course Coordinator |
ÖZGÜR ÖZLÜK |
Semester |
Spring |
Name of Instructor |
|
Course Contents
Hafta |
Konu |
1) |
• Zaman serisi verilerine giriş
• Zaman serisi tahminine giriş
• Durağanlık, Mevsimsellik, Trend
• Regresyon yöntemlerinin gözden geçirilmesi (eğer zaman kalırsa) |
2) |
• Zaman serisi verilerine giriş
• Zaman serisi tahminine giriş
• Durağanlık, Mevsimsellik, Trend
• Regresyon yöntemlerinin gözden geçirilmesi (eğer zaman kalırsa) |
3) |
Düzgünleştirme Yöntemleri |
4) |
Düzgünleştirme Yöntemleri |
5) |
• ARMA, ARIMA, SARIMA modelleri
• Otokorelasyon |
6) |
• ARMA, ARIMA, SARIMA modelleri
• Otokorelasyon |
7) |
• Hayatta Kalma Analizi
• Kaplan-Meier Eğrisi
• Orantılı Tehlike Modelleri |
8) |
• Hayatta Kalma Analizi
• Kaplan-Meier Eğrisi
• Orantılı Tehlike Modelleri |
9) |
• ARCH, GARCH modelleri
|
10) |
ARCH, GARCH modelleri
|
11) |
Var Modelleri |
12) |
Var Modelleri |
13) |
• Makine Öğrenimi Uygulamaları
• Yapay Sinir Ağları, Boosting yöntemleri vb. |
14) |
• Makine Öğrenimi Uygulamaları
• Yapay Sinir Ağları, Boosting yöntemleri vb. |
15) |
Proje/Sunum Dönemi |
16) |
Proje/Sunum Dönemi |