Anomaly Detection in Time Series 4010-ATSa-30
Szczegółowy opis przedmiotu został umieszczony na poziomie danego cyklu dydaktycznego w sekcji Opis.
|
W cyklu 2026Z:
Wykład składa się z trzech części: (i) analiza szeregów czasowych, (ii) wykrywanie anomalii oraz (iii) wykrywanie anomalii w szeregach czasowych. Każda część obejmie kluczowe idee i umiejętności praktyczne. W pierwszej części studenci dowiedzą się, czym jest szereg czasowy i dlaczego ma znaczenie w takich dziedzinach jak finanse, opieka zdrowotna czy inżynieria. Zrozumieją, jak rozkładać dane szeregów czasowych na trendy, wzorce sezonowe i reszty. Poznają różne modele prognozowania szeregów czasowych, w tym modele addytywne, multiplikatywne oraz pseudoaddytywne, a także sposób ich zastosowania w Pythonie. Studenci nauczą się rozróżniać szeregi stacjonarne i niestacjonarne. Omówione zostaną techniki wygładzania danych – od prostych średnich ruchomych po bardziej złożone potrójne wygładzanie wykładnicze. Poruszona zostanie rola funkcji autokorelacji i częściowej autokorelacji oraz ich zastosowanie w modelowaniu. Dodatkowo studenci zostaną wprowadzeni w zaawansowane metody prognozowania szeregów czasowych, takie jak rekurencyjne sieci neuronowe (RNN) i sieci z pamięci długotrwałej - krótkotrwałej (LSTM). Druga część będzie skoncentrowana na wykrywaniu anomalii. Studenci poznają różne rodzaje anomalii, takie jak punktowe, kontekstowe i zbiorowe, oraz ich zastosowania w obszarach takich jak wykrywanie oszustw czy bezpieczeństwo sieci. Omówione zostaną algorytmy wykrywania anomalii, m.in. maszyny wektorów nośnych (SVM), współczynnik lokalnych wartości odstających (LOF), metoda k-najbliższych sąsiadów (KNN) oraz grupowanie k-średnich. Kurs poruszy także wyzwania związane z analizą danych o wysokiej wymiarowości, w tym techniki takie jak metody podprzestrzenne, feature bagging oraz isolation forest. Ostatnia część połączy wiedzę z dwóch poprzednich sekcji. Studenci zastosują techniki analizy szeregów czasowych do problemów wykrywania anomalii. Umiejętności praktyczne będą rozwijane podczas zajęć laboratoryjnych, w ramach których uczestnicy będą realizować projekty obejmujące dane szeregów czasowych i wykrywanie anomalii. Wszystkie przykłady i techniki zostaną zaimplementowane w Pythonie, co zapewni studentom praktyczne doświadczenie w pracy z danymi rzeczywistymi. |
Koordynatorzy przedmiotu
Rodzaj przedmiotu
Tryb prowadzenia
Założenia (opisowo)
Kryteria oceniania
1. Zaliczenie przedmiotu kończy się jedną wspólną oceną ze wszystkich zajęć (wykład + laboratorium} realizowanych w ramach przedmiotu.
2. Zwolnienie lekarskie nie zwalnia ze znajomości materiału. Uprawnia jedynie do zindywidualizowanej formy zaliczenia.
3. Osoby, które otrzymały zgodę na indywidualny tok studiów, mają obowiązek zgłosić się koordynatora przedmiotu w celu ustalenia sposobu realizacji wszystkich efektów uczenia się przypisanych do zajęć. W przypadku braku możliwości realizacji wyżej wymienionych efektów koordynator może odmówić zaliczenia przedmiotu.
4. Obecności na zajęciach jest obowiązkowa. W sytuacjach uzasadnionych nieobecności, student zobowiązany jest do niezwłocznego kontaktu z koordynatorem przedmiotu.
5. W zakresie korzystania z narzędzi sztucznej inteligencji (SI) przy przygotowywaniu prac zaliczeniowych obowiązują zasady określone w "Regulaminie korzystania z narzędzi sztucznej inteligencji w procesie kształcenia na kierunku inżynieria obliczeniowa".
6. Szczegółowe kryteria oceniania zostały zamieszczone na poziomie danego cyklu dydaktycznego w sekcji Uwagi.
Praktyki zawodowe
Nie dotyczy.
Literatura
Literatura przedmiotu została zamieszczona na poziomie danego cyklu dydaktycznego w sekcji Literatura.
|
W cyklu 2026Z:
Materiały i kursy dostępne online. |
Uwagi
|
W cyklu 2026Z:
Metody i kryteria oceniania: Student uzyskuje zaliczenie zajęć na podstawie: Ocena końcowa z przedmiotu ustalana jest na podstawie oceny z egzaminu końcowego. |