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