Budapest University of Technology and Economics, Faculty of Electrical Engineering and Informatics

    Belépés
    címtáras azonosítással

    vissza a tantárgylistához   nyomtatható verzió    

    Trendelemzés és vizualizáció

    A tantárgy angol neve: Trend Analysis and Visualization

    Adatlap utolsó módosítása: 2017. június 23.

    Budapesti Műszaki és Gazdaságtudományi Egyetem
    Villamosmérnöki és Informatikai Kar

    Gazdaságinformatikus szak, MSc képzés

    Gazdasági elemző informatikus szakirány

    Tantárgykód Szemeszter Követelmények Kredit Tantárgyfélév
    VITMM246   3/0/1/v 5  
    3. A tantárgyfelelős személy és tanszék Dr. Simon Csaba,
    A tantárgy tanszéki weboldala https://elearning.tmit.bme.hu/
    4. A tantárgy előadója
     Név: Beosztás: Tanszék, Intézet:
     Dr. Kósa Zsuzsanna PhD egy. docens  TMIT
    Dr. Simon Csaba PhDegy. adjunktus TMIT
    Paróczi Zsombor
    tud. segédmunkatársTMIT
    6. Előtanulmányi rend
    Ajánlott:
    Ajánlott: Statisztikai ismeretek, pénzügyi és gazdálkodási ismeretek
    7. A tantárgy célkitűzése

    Trendelemzések bemutatása idősor alapú problémáknál. Előrejelzési feladatok megoldásához szükséges problémakörök feltérképezése és gyakorlatban használható megoldások vizsgálata. Ipari szabványos eszközökkel elérhető támogatás kiaknázása. Megvilágítani és értelmezni a megjelenítésben rejlő lehetséges többlettudás visszaforgatásának módjait az elemzés adatelőkészítés és modellalkotás fázisaiba.

    8. A tantárgy részletes tematikája

    Modul_1.: Megjelenítő elemzés

    Bevezetés az előrejelzések és vizualizáció témakörébe

    Indoklási technikák elemzéssel

    Adat-reprezentáció és transzformációk

    Ábrás és képi megjelenítés, interakciós technikák.

    Általánosított többdimenziós skálázás

    Érzékelési térkép

    Üzleti döntés térkép (BDM)

    Laborgyakorlat 1: Vizualizáció

    Modul_2: Előrejelzés

    a.)   Előrejelzési problémák megközelítése

    Idősorok elemei, Adatminőség megítélése, Adatok értelmezése, Reziduumok vizsgálata, Hogyan indul az előrejelzés készítése, Előrejelző modellek

    Paraméterek definiálása, Adatforrások elemzése, Választás alternatív vetítési technikák közt, Előzetes kiválasztási kritériumok

     

    b.)   Előrejelzés exponenciális illesztő függvényekkel

    Illesztés mozgó átlagokkal, Egyedi exponenciális illesztés, Exponenciális és mozgó átlagú illesztések összehasonlítása; Exponenciális illesztés adat-előrejelzéshez 

    Laborgyakorlat 2.:  Exponenciális illesztések, szoftver programok és megjelenítés.

     

    c.)   Trend és szezonalitás elemzése és modellezése

    ANOVA modell;

    Hozzájárulás a trendhez / időszaki hatások;

    Reziduumok elemzése

    Laborgyakorlat 3:  Trend és szezonalitás, szoftver programok és megjelenítés.

     

    d.)   Adatelőkészítés modellezéshez

    Linearitás elérése

    Normalizálás

    Nagy eltérések kezelése

    Laborgyakorlat 4:  Nagy eltérések kezelése, szoftver programok és megjelenítés.

     

    e.)   Regressziós elemzés és modellezés

    Regressziós modell építése: regressziós görbe, egyszerű lineáris modell, legkisebb négyzetek módszere, normális regresszió feltételei, becslési technikák összehasonlítása

    Regressziós eredmények értelmezése: az R-négyzetes -, a t-, az F-, a D_W statisztikák

    Az előrejelzés pontossága, a regressziós maradék vizsgálata

    Laborgyakorlat 5:  Regressziós példa, szoftver programok és megjelenítés.

     

    f.)    Szokatlan értékek kezelése

    Robosztusság biztosítása a korrelációban és a regressziós elemzésben

    Időszaki igazítás, a mozgó átlaghoz igazító módszer

    Időszaki igazítás ellenálló simítófüggvényekkel

    Laborgyakorlat 6:  Szezonális analízis,  szoftver programok és megjelenítés.

     

    Modul_3: Technológiai előretekintés

    a)     A számszerű előrejelzés és az előretekintés különbségei

    Nem mérhető trendek elemzése: minőségi változások leírása, sikerkritériumok

    Téma-meghatározás, jelenlegi helyzet

    Folyamatban levő projektek, várható fejlődés

    Trendek megjelenítése ábrákkal, képekkel: Pl. fejlődési ciklus, hype görbe

    b)     Felhasználási terület előretekintése

    Téma-meghatározás, lényegkiemelés

    Hajtóerő elemzés, hatásbecslés, bizonytalanság

    Szcenáriókészítés, alternatív szcenáriók

    Jövőképek megjelenítése, illusztrációk

    c)     Radar tevékenység előretekintéshez

    Innovációs hírözön, hírfigyelés szelekció, alkalmazható technológiák

    Szakmai blog, technológiai radar

    Virtuális közösségépítés

    Játékok felhasználása tudásösszesítéshez

    d)     Stratégia készítés előretekintés alapján

    Áttekintő jövőkép és alternatív szcenáriók elemzése

    Cél-választás szempontjai és szabadságfoka

    Hajtóerő-befolyásolási lehetőségek, költségek és kockázatok

    Stratégiakészítés vissza-irányú szcenárió-elemzéssel

    Laborgyakorlat 7:  Hallgatók előretekintő prezentációi, előre kisorsolt téma feldolgozása alapján

     

    Összefoglalás: Trendelemzés, előretekintés és vizualizáció felhasználhatósága

    9. A tantárgy oktatásának módja (előadás, gyakorlat, laboratórium)

    Előadások és 6 laborgyakorlat

    10. Követelmények

    a. A szorgalmi időszakban: 1 db. zárthelyi teljesítése a modul1 és modul2 témaköréből,

                                       1 db. házi feladat elkészítése és prezentálása a modul3 témaköréből

    b. A vizsgaidőszakban: írásbeli vizsga szóbeli kiegészítési lehetőséggel

    c. Elővizsga: van

    d. Az aláírás megszerzésének és a vizsgára bocsátásnak feltétele, hogy a zárthelyi pontszámának 10 pontból legalább 4 pontot el kell érnie, valamint a laborgyakorlatokon való eredményes részvétel. A laborgyakorlatok közül egy hiányzás megengedett.

    11. Pótlási lehetőségek

    A zárthelyi pótolható a szorgalmi időszakban a pót-zárthelyire meghirdetett időpontban, valamint a pótlási időszakban a meghirdetett időpontban külön-eljárási díj megfizetésével.

    A laborgyakorlatok közül maximum kettő pótolható, az oktatóval egyeztetett külön időpontban.

    A házi feladat pótolható a pótlási időszakban a meghirdetett időpontban külön-eljárási díj megfizetésével.

    12. Konzultációs lehetőségek

    Előzetes egyeztetés alapján az előadások előtt és után, valamint az előadók fogadóórájában.

    13. Jegyzet, tankönyv, felhasználható irodalom
    1. Box G., Jenkins G. M., Time Series Analysis – Forecasting and Control, CA: Holden-Day, 1976.
    2. Sallehuddin, R., Shamsuddin, S. M. H., Hashim, S. Z. M., Abraham, A.: Forecasting time series data using hybrid grey relational artificial neural network and auto regressive integrated moving average model. 2007.
    3. Wong P C, Thomas J.: Visual analytics. 2004.
    4. Mark Last, Abraham Kandel, Horst Bunke: Data Mining In Time-Series Databases. World Scientific Press. 2004.
    5. Liam Fahey (Editor), Robert M. Randall (Editor): Learning from the Future: Competitive Foresight Scenarios (1997)

     

    14. A tantárgy elvégzéséhez átlagosan szükséges tanulmányi munka
    Kontakt óra  56
    Félévközi készülés órákra  10
    Felkészülés laborokra  12
    Felkészülés zárthelyire   18
    Házi Feladat elkészítése
       4
    Vizsgafelkészülés  50
    Összesen150
    15. A tantárgy tematikáját kidolgozta
     Név: Beosztás: Tanszék, Intézet:
    Dr. Kósa Zsuzsanna Ph.D. egy. docens  TMIT