Лабораторна робота 14. Аналіз часових рядів
Чотирнадцята й завершальна лабораторна робота курсу «Аналітика даних». Спершу в аудиторії ви обчислюєте «руками» просте ковзне середнє, експоненційне згладжування та метрики похибки прогнозу (MAE, RMSE, MAPE) на коротких рядах. Потім удома реалізуєте програму, що читає часовий ряд із файлу CSV, згладжує його, прогнозує наступні значення й будує графік. Робота закріплює Лекцію 14.
Коротко про роботу
| Тема | Часовий ряд; згладжування (ковзне середнє, експоненційне); прогнозування; похибка прогнозу (MAE, RMSE, MAPE) |
| Передумова | Лекція 14. Аналіз часових рядів |
| Аудиторна частина | Обчислення ковзного середнього, експоненційного згладжування та метрик похибки «руками» (з розв’язаннями) |
| Домашня частина | Програма: читає ряд із CSV, згладжує, прогнозує наступні значень і будує графік |
| Оцінювання | три рівні: базовий 60–74 / середній 75–89 / високий 90–100 |
Зміст
| № | Частина | Файл |
|---|---|---|
| 1 | Мета роботи | 1purpose.md |
| 2 | Методичні вказівки (теорія + демонстраційний приклад) | 2method.md |
| 3 | Аудиторні задачі з розв’язаннями | 3classroom.md |
| 4 | Домашнє завдання (програма) | 4task.md |
| 5 | Зміст звіту | 5report.md |
| 6 | Контрольні запитання | 6questions.md |
Домовленості
- Дві частини. Аудиторні задачі (3classroom.md) розбирають спільно «руками» — з них ви розумієте, що саме обчислює програма. Домашнє завдання (4task.md) — самостійна реалізація згладжування, прогнозування та оцінки похибки у коді.
- Впорядкованість у часі. Значення ряду не переставляють: порядок несе інформацію. Крок за часом вважають однаковим (рівновіддалені моменти).
- Стала згладжування. Просте експоненційне згладжування стартує з ; сталу у розв’язаннях і звіті завжди зазначайте — від неї залежить результат.
- Похибку — на відкладеній частині. Метрики MAE / RMSE / MAPE обчислюють, порівнюючи прогноз із фактичними майбутніми значеннями (відкладеною частиною ряду), а не з даними, на яких метод навчали.
- Мова програмування — на вибір. Стандартні бібліотеки для читання CSV та побудови графіка дозволені; готові функції згладжування можна брати лише для перевірки власної реалізації формул.
Підсумок
Аналіз часових рядів відповідає на запитання «куди рухаються дані та що буде далі». Згладжування (ковзне середнє й експоненційне) прибирає шум і відкриває тренд; прогнозування (наївне, за ковзним середнім, за трендом, за експоненційним згладжуванням) оцінює майбутні значення; а метрики MAE, RMSE і MAPE чесно вимірюють, наскільки прогнозу можна довіряти. У цій роботі ви навчитеся рахувати ці величини «руками», а потім автоматизуєте весь цикл програмою, що читає ряд із файлу, згладжує його, прогнозує наступні значення й візуалізує результат. Це завершальний метод курсу, що поєднує описову статистику (Лекція 3) з регресією (Лекція 5) і замикає повний маршрут аналітика даних.