Trendelemzés és vizualizáció

Trend Analysis and Visualization

A tantárgyleírás hatályossága

Hatályosság kezdete:

2026. March 21.

Hatályosság vége:

—

Tantárgy neve (magyarul, angolul)

Trendelemzés és vizualizáció

Trend Analysis and Visualization

Tantárgykód

BMEVITMM246

Tantárgyjelleg

—

Képzési szint

—

Kurzustípusok és óraszámok (heti/féléves)

Kurzustípus	elmélet	gyakorlat	laboratóriumi gyakorlat
óraszám (heti)	3	0	1
jelleg (kapcsolt/önálló)	—	—	—

Tanulmányi teljesítmény/értékelés típusa

vizsga

Tantárgy kreditértéke

Tantárgyfelelős

Dr. Kósa Zsuzsanna PhD

beosztás: adjunktus

Tantárgyat gondozó oktatási szervezeti egység

Távközlési és Mesterséges Intelligencia Tanszék

Kar

Villamosmérnöki és Informatikai Kar

Tantárgy weboldala

https://elearning.tmit.bme.hu/

Tantárgy elsődleges mintatantervi jellege

—

Közvetlen előkövetelmények – Erős előkövetelmény

nincs

Közvetlen előkövetelmények – Gyenge előkövetelmény

nincs

Közvetlen előkövetelmények – Párhuzamos előkövetelmény

nincs

Közvetlen előkövetelmények – Mérföldkő előkövetelmény

nincs

Közvetlen előkövetelmények – Kizáró feltétel

nincs

Célkitűzés

Tantárgyprogram

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

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.

Tanulmányi eredmények

Ez a tantárgy a KKK rendeletben meghatározott, következő kompetenciák fejlesztését szolgálja:

Tudás

Nincsenek rögzített tanulási eredmények.

Képességek

Nincsenek rögzített tanulási eredmények.

Attitűd

Nincsenek rögzített tanulási eredmények.

Autonómia és felelősség

Nincsenek rögzített tanulási eredmények.

Oktatási módszertan

Előadások és 6 laborgyakorlat

Tanulástámogató anyagok

Online források

Box G., Jenkins G. M., Time Series Analysis – Forecasting and Control, CA: Holden-Day, 1976.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. Wong P C, Thomas J.: Visual analytics. 2004. Mark Last, Abraham Kandel, Horst Bunke: Data Mining In Time-Series Databases. World Scientific Press. 2004. Liam Fahey (Editor), Robert M. Randall (Editor): Learning from the Future: Competitive Foresight Scenarios (1997) ; References, textbooks and resources:; Box G., Jenkins G. M., Time Series Analysis – Forecasting and Control, CA: Holden-Day, 1976.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. Wong P C, Thomas J.: Visual analytics. 2004. Mark Last, Abraham Kandel, Horst Bunke: Data Mining In Time-Series Databases. World Scientific Press. 2004. Liam Fahey (Editor), Robert M. Randall (Editor): Learning from the Future: Competitive Foresight Scenarios (1997)

A tantárgy teljesítéséhez ajánlott előzetes ismeretek

Tudás típusú kompetenciák

(azon előzetes ismeretek összessége, amelyek megléte nem kötelező, de a tantárgy eredményes teljesítését nagyban elősegíti)

nincs

Képesség típusú kompetenciák

(azon előzetes képességek és készségek összessége, amelyek megléte nem kötelező, de a tantárgy eredményes teljesítését nagyban elősegíti)

nincs

Ajánlott (nem kötelező) előzetesen megszerzendő kompetenciák

(azon ajánlott (nem kötelező) előzetesen megszerzendő kompetenciák összessége, amelyek jelentősen hozzájárulnak a tantárgy eredményes teljesítéséhez)

nincs

Általános szabályok

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. 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.

Teljesítményértékelési módszerek

Szorgalmi időszakban végzett teljesítményértékelések részletes leírása

Nincs megadva részletes értékelés.

Szorgalmi időszakban végzett teljesítményértékelések részaránya

Nincs megadva részarány.

Vizsgaidőszakban végzett teljesítményértékelések részletes leírása

Nincs megadva részletes értékelés.

Vizsgarészek részaránya

Nincs megadva részarány.

Érdemjegy megállapítása

Nincs megadva érdemjegy határ.

Jelenléti és részvételi követelmények

Nincs megadva jelenléti követelmény.

Javítás, ismétlés és pótlás különös szabályai

Nincs megadva.

Rövid leírás

Nincs megadva.

Részletes leírás

Nincs megadva.

Ajánlott tantárgyak

Ajánlott: Statisztikai ismeretek, pénzügyi és gazdálkodási ismeretek

A tantárgy elvégzéséhez szükséges tanulmányi munka

Nincs megadva munkaidő bontás.

Tantárgykövetelmények hatályossága

Tantárgykövetelmények hatályosságának kezdete:

—

Tantárgykövetelmények hatályosságának vége:

—

Tantervi elhelyezés

Nincsenek rögzített tantervi elhelyezések ehhez a tárgyverzióhoz.