Disciplina Séries Temporais

Esta unidade curricular insere-se na área de Ciência de Dados e Inteligência Artificial, com foco na análise e previsão de séries temporais. A sua aplicação estende-se a domínios como economia, saúde, ciências sociais, metereologia, energia e sistemas inteligentes. A UC permite ao aluno adquirir uma compreensão profunda dos modelos clássicos e modernos de forecasting, bem como aplicar métodos computacionais e estatísticos para análise e previsão de dados temporais. A pertinência desta UC no ciclo de estudos reside na sua capacidade de integrar conhecimentos teóricos e práticos, promovendo a análise crítica e a capacidade de tomar decisões informadas com base em dados sequenciais, fundamentais para o trabalho em Ciência de Dados, Análise de Dados e Engenharia de Dados.

Não aplicável

CP1 - Introdução às séries temporais: conceitos, exemplos e aplicações. CP2 - Visualização e gráficos de séries temporais. CP3 - Decomposição de séries temporais: tendência, sazonalidade e resíduo. CP4 - Fundamentos de previsão: horizonte, frequência, granularidade e passos de previsão. CP5 - Modelos de previsão: Holt-Winters, ARIMA e SARIMA. CP6 - Técnicas de avaliação: métricas de erro e validação cruzada temporal. CP7 - Métodos avançados de forecasting e introdução a abordagens automatizadas. CP8 - Estudos de caso práticos com séries temporais reais. CP9 - Desenvolvimento de projetos com dados reais, do problema à entrega.

ME1 – Aulas teóricas expositivas com apoio de slides e exemplos práticos. ME2 – Aulas práticas com resolução de exercícios em computador, utilizando dados reais. ME3 – Estudos de caso aplicados, com análise e discussão de soluções. ME4 – Desenvolvimento de projetos em grupo, promovendo a aprendizagem colaborativa. ME5 – Autoestudo orientado, com leitura de artigos e exploração de ferramentas. ME6 – Avaliações formativas contínuas (quizzes, exercícios semanais). ME7 – Aprendizagem baseada em desafios com dados reais ("Challenge-Based Learning"): Os estudantes recebem um desafio prático baseado em conjuntos de dados reais e relevantes (por exemplo, dados meteorológicos, de consumo energético ou económicos), no qual devem aplicar os conhecimentos adquiridos para propor uma solução de previsão, justificando as suas escolhas metodológicas e avaliando o desempenho.  

[Hyndman], [Rob J], & [Athanasopoulos], [G] - [Forecasting: Principles and Practice]. [3rd edition, OTexts: Melbourne, Australia.]