# 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](../../Lectures/DA-L14.md).

## Коротко про роботу

| | |
|---|---|
| **Тема** | Часовий ряд; згладжування (ковзне середнє, експоненційне); прогнозування; похибка прогнозу (MAE, RMSE, MAPE) |
| **Передумова** | [Лекція 14. Аналіз часових рядів](../../Lectures/DA-L14.md) |
| **Аудиторна частина** | Обчислення ковзного середнього, експоненційного згладжування та метрик похибки «руками» (з розв'язаннями) |
| **Домашня частина** | Програма: читає ряд із CSV, згладжує, прогнозує наступні $k$ значень і будує графік |
| **Оцінювання** | три рівні: базовий **60–74** / середній **75–89** / високий **90–100** |

## Зміст

| № | Частина | Файл |
|:--:|---|---|
| 1 | Мета роботи | [1purpose.md](1purpose.md) |
| 2 | Методичні вказівки (теорія + демонстраційний приклад) | [2method.md](2method.md) |
| 3 | Аудиторні задачі з розв'язаннями | [3classroom.md](3classroom.md) |
| 4 | Домашнє завдання (програма) | [4task.md](4task.md) |
| 5 | Зміст звіту | [5report.md](5report.md) |
| 6 | Контрольні запитання | [6questions.md](6questions.md) |

## Домовленості

- **Дві частини.** Аудиторні задачі ([3classroom.md](3classroom.md)) розбирають
  спільно «руками» — з них ви розумієте, *що саме* обчислює програма. Домашнє
  завдання ([4task.md](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
  $\hat{x}_1 = x_1$; сталу $\alpha \in (0, 1)$ 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](../../Lectures/DA-L03.md)) з регресією
([Лекція 5](../../Lectures/DA-L05.md)) і замикає повний маршрут аналітика даних.