{"id":2299,"date":"2025-03-23T21:07:19","date_gmt":"2025-03-24T00:07:19","guid":{"rendered":"https:\/\/eic.cefet-rj.br\/~eogasawara\/?page_id=2299"},"modified":"2026-04-04T10:25:08","modified_gmt":"2026-04-04T13:25:08","slug":"series-temporais","status":"publish","type":"page","link":"https:\/\/eic.cefet-rj.br\/~eogasawara\/series-temporais\/","title":{"rendered":"S\u00e9ries Temporais"},"content":{"rendered":"<p><strong>Ementa<\/strong><\/p>\n<p>An\u00e1lise de S\u00e9ries Temporais. Conceitos fundamentais e componentes estruturais das s\u00e9ries temporais. T\u00e9cnicas de pr\u00e9-processamento e representa\u00e7\u00e3o de dados temporais. Avalia\u00e7\u00e3o em tarefas temporais. M\u00e9todos estat\u00edsticos e computacionais para an\u00e1lise de s\u00e9ries temporais. Detec\u00e7\u00e3o de eventos, incluindo anomalias, pontos de mudan\u00e7a, desvio de conceito e padr\u00f5es recorrentes. An\u00e1lise de s\u00e9ries temporais em fluxo e em tempo real. Implementa\u00e7\u00e3o pr\u00e1tica de m\u00e9todos e avalia\u00e7\u00e3o de desempenho em dados reais.<\/p>\n<p><strong>Objetivos<\/strong><\/p>\n<p>Fundamentar os conhecimentos indispens\u00e1veis \u00e0 an\u00e1lise e modelagem de dados temporais, com foco na identifica\u00e7\u00e3o de padr\u00f5es, eventos relevantes e comportamentos din\u00e2micos ao longo do tempo. Para isso, \u00e9 realizado um estudo sistem\u00e1tico dos conceitos fundamentais de s\u00e9ries temporais, das t\u00e9cnicas de pr\u00e9-processamento e representa\u00e7\u00e3o, bem como dos m\u00e9todos estat\u00edsticos e computacionais voltados \u00e0 detec\u00e7\u00e3o de anomalias, pontos de mudan\u00e7a, desvio de conceito e predi\u00e7\u00e3o. O curso busca proporcionar um s\u00f3lido embasamento te\u00f3rico aliado \u00e0 pr\u00e1tica computacional, capacitando o aluno a selecionar, aplicar, avaliar e interpretar m\u00e9todos de an\u00e1lise de s\u00e9ries temporais em diferentes contextos, incluindo cen\u00e1rios offline e online, e a desenvolver solu\u00e7\u00f5es computacionais aplicadas a dados temporais reais.<\/p>\n<p>&nbsp;<\/p>\n<hr \/>\n<p><strong>Slides<\/strong><\/p>\n<p><a href=\"https:\/\/github.com\/eogasawara\/series-temporais\/blob\/main\/01-Fundamentos-de-Series-Temporais-e-Processos-Estocasticos.pdf\">1 &#8211; Fundamentos de S\u00e9ries Temporais e Processos Estoc\u00e1sticos<\/a> \u2014 fundamentos de s\u00e9ries temporais e processos estoc\u00e1sticos aplicados.<\/p>\n<p><a href=\"https:\/\/github.com\/eogasawara\/series-temporais\/blob\/main\/02-Estrutura-Temporal-em-Series-Temporais.pdf\">2 &#8211; Estrutura Temporal em S\u00e9ries Temporais<\/a> \u2014 estrutura temporal e componentes de s\u00e9ries temporais.<\/p>\n<p><a href=\"https:\/\/github.com\/eogasawara\/series-temporais\/blob\/main\/03-Modelos-Lineares-em-Series-Temporais.pdf\">3 &#8211; Modelos Lineares em S\u00e9ries Temporais<\/a> \u2014 modelos lineares e seus pressupostos em s\u00e9ries temporais.<\/p>\n<p><a href=\"https:\/\/github.com\/eogasawara\/series-temporais\/blob\/main\/04-Previsao-em-Series-Temporais.pdf\">4 &#8211; Previs\u00e3o em S\u00e9ries Temporais<\/a> \u2014 t\u00e9cnicas de previs\u00e3o e avalia\u00e7\u00e3o preditiva.<\/p>\n<p><a href=\"https:\/\/github.com\/eogasawara\/series-temporais\/blob\/main\/05-Por-que-Estender-os-Modelos-Lineares.pdf\">5 &#8211; Por que Estender os Modelos Lineares<\/a> \u2014 limita\u00e7\u00f5es dos modelos lineares e motiva\u00e7\u00f5es para extens\u00f5es.<\/p>\n<p><a href=\"https:\/\/github.com\/eogasawara\/series-temporais\/blob\/main\/06-Series-Temporais-como-Objeto-de-Processamento.pdf\">6 &#8211; S\u00e9ries Temporais como Objeto de Processamento<\/a> \u2014 s\u00e9ries temporais como objetos de processamento e an\u00e1lise.<\/p>\n<p><a href=\"https:\/\/github.com\/eogasawara\/series-temporais\/blob\/main\/07-Representacao-de-Eventos-em-Series-Temporais.pdf\">7 &#8211; Representa\u00e7\u00e3o de Eventos em S\u00e9ries Temporais<\/a> \u2014 representa\u00e7\u00e3o de eventos em dados temporais.<\/p>\n<p><a href=\"https:\/\/github.com\/eogasawara\/series-temporais\/blob\/main\/08-Eventos-em-Series-Temporais.pdf\">8 &#8211; Eventos em S\u00e9ries Temporais<\/a> \u2014 conceitos e tipos de eventos em s\u00e9ries temporais.<\/p>\n<p><a href=\"https:\/\/github.com\/eogasawara\/series-temporais\/blob\/main\/09-Anomalias-em-Series-Temporais.pdf\">9 &#8211; Anomalias em S\u00e9ries Temporais<\/a> \u2014 detec\u00e7\u00e3o de anomalias em s\u00e9ries temporais.<\/p>\n<p><a href=\"https:\/\/github.com\/eogasawara\/series-temporais\/blob\/main\/10-Formulacao-do-Problema-de-Deteccao.pdf\">10 &#8211; Formula\u00e7\u00e3o do Problema de Detec\u00e7\u00e3o<\/a> \u2014 formula\u00e7\u00e3o do problema de detec\u00e7\u00e3o de eventos.<\/p>\n<p><a href=\"https:\/\/github.com\/eogasawara\/series-temporais\/blob\/main\/11-Pontos-de-Mudanca-em-Series-Temporais.pdf\">11 &#8211; Pontos de Mudan\u00e7a em S\u00e9ries Temporais<\/a> \u2014 pontos de mudan\u00e7a e conceitos relacionados.<\/p>\n<p><a href=\"https:\/\/github.com\/eogasawara\/series-temporais\/blob\/main\/12-Deteccao-de-Pontos-de-Mudanca.pdf\">12 &#8211; Detec\u00e7\u00e3o de Pontos de Mudan\u00e7a<\/a> \u2014 m\u00e9todos de detec\u00e7\u00e3o de pontos de mudan\u00e7a.<\/p>\n<p><a href=\"https:\/\/github.com\/eogasawara\/series-temporais\/blob\/main\/13-Motifs-em-Series-Temporais.pdf\">13 &#8211; Motifs em S\u00e9ries Temporais<\/a> \u2014 descoberta de motifs em s\u00e9ries temporais.<\/p>\n<p><a href=\"https:\/\/github.com\/eogasawara\/series-temporais\/blob\/main\/14-Discords-em-Series-Temporais.pdf\">14 &#8211; Discords em S\u00e9ries Temporais<\/a> \u2014 identifica\u00e7\u00e3o de discords e padr\u00f5es raros.<\/p>\n<p><a href=\"https:\/\/github.com\/eogasawara\/series-temporais\/blob\/main\/15-Paradigmas-de-Deteccao-Temporal.pdf\">15 &#8211; Paradigmas de Detec\u00e7\u00e3o Temporal<\/a> \u2014 paradigmas de detec\u00e7\u00e3o temporal.<\/p>\n<p><a href=\"https:\/\/github.com\/eogasawara\/series-temporais\/blob\/main\/16-Classes-de-Metodos-Online.pdf\">16 &#8211; Classes de M\u00e9todos Online<\/a> \u2014 classes de m\u00e9todos online para detec\u00e7\u00e3o.<\/p>\n<p><a href=\"https:\/\/github.com\/eogasawara\/series-temporais\/blob\/main\/17-Teoria-Geral-de-Eventos-em-Series-Temporais.pdf\">17 &#8211; Teoria Geral de Eventos em S\u00e9ries Temporais<\/a> \u2014 teoria geral de eventos em s\u00e9ries temporais.<\/p>\n<p><a href=\"https:\/\/github.com\/eogasawara\/series-temporais\/blob\/main\/18-O-Problema-da-Avaliacao-de-Eventos.pdf\">18 &#8211; O Problema da Avalia\u00e7\u00e3o de Eventos<\/a> \u2014 avalia\u00e7\u00e3o de eventos e crit\u00e9rios de desempenho.<\/p>\n<p><a href=\"https:\/\/github.com\/eogasawara\/series-temporais\/blob\/main\/19-Eventos-como-Pontos-Uma-Simplificacao.pdf\">19 &#8211; Eventos como Pontos: uma Simplifica\u00e7\u00e3o<\/a> \u2014 eventos como pontos: simplifica\u00e7\u00e3o e implica\u00e7\u00f5es.<\/p>\n<p><a href=\"https:\/\/github.com\/eogasawara\/series-temporais\/blob\/main\/20-Avaliacao-como-Problema-Cientifico.pdf\">20 &#8211; Avalia\u00e7\u00e3o como Problema Cient\u00edfico<\/a> \u2014 avalia\u00e7\u00e3o como problema cient\u00edfico em detec\u00e7\u00e3o temporal.<\/p>\n<p><a href=\"https:\/\/github.com\/eogasawara\/series-temporais\/blob\/main\/21-A-Area-de-Deteccao-de-Eventos.pdf\">21 &#8211; A \u00c1rea de Detec\u00e7\u00e3o de Eventos<\/a> \u2014 panorama da \u00e1rea de detec\u00e7\u00e3o de eventos.<\/p>\n<p><a href=\"https:\/\/github.com\/eogasawara\/series-temporais\/blob\/main\/22-Deteccao-de-Eventos-como-Problema-Aberto.pdf\">22 &#8211; Detec\u00e7\u00e3o de Eventos como Problema Aberto<\/a> \u2014 detec\u00e7\u00e3o de eventos como problema aberto de pesquisa.<\/p>\n<p>&nbsp;<\/p>\n<hr \/>\n<p><strong>Playlist<\/strong><\/p>\n<p class=\"responsive-video-wrap clr\"><iframe loading=\"lazy\" title=\"\ud83d\udcc8 An\u00e1lise de S\u00e9ries Temporais\" width=\"1200\" height=\"675\" src=\"https:\/\/www.youtube.com\/embed\/videoseries?list=PLTy3TWJeueGxOv-GZCkNch7pB1pGkhVb4\" frameborder=\"0\" allow=\"accelerometer; autoplay; clipboard-write; encrypted-media; gyroscope; picture-in-picture; web-share\" referrerpolicy=\"strict-origin-when-cross-origin\" allowfullscreen><\/iframe><\/p>\n<p>&nbsp;<\/p>\n<hr \/>\n<p><strong>Slides pr\u00e1ticos<\/strong><\/p>\n<p>Os materiais pr\u00e1ticos abaixo complementam os slides te\u00f3ricos com fluxos de uso, exemplos guiados e uma vis\u00e3o aplicada de ferramentas para predi\u00e7\u00e3o e detec\u00e7\u00e3o de eventos em s\u00e9ries temporais. Os slides de <code>tspredit<\/code> est\u00e3o agrupados para facilitar o estudo sequencial, enquanto <code>harbinger<\/code> apresenta a proposta de framework voltada \u00e0 detec\u00e7\u00e3o de eventos.<\/p>\n<h3>tspredit<\/h3>\n<p><code>tspredit<\/code> \u00e9 uma estrutura (framework) para predi\u00e7\u00e3o de s\u00e9ries temporais. Ela oferece um ambiente integrado para modelagem e predi\u00e7\u00e3o, disponibilizando uma ampla variedade de m\u00e9todos, al\u00e9m de fun\u00e7\u00f5es para visualiza\u00e7\u00e3o e avalia\u00e7\u00e3o das predi\u00e7\u00f5es realizadas.<\/p>\n<ul>\n<li><a href=\"https:\/\/github.com\/eogasawara\/series-temporais\/blob\/main\/t01-tspredit.pdf\">t01-tspredit.pdf<\/a> \u2014 vis\u00e3o geral do framework <code>tspredit<\/code> para predi\u00e7\u00e3o de s\u00e9ries temporais com ajuste integrado.<\/li>\n<li><a href=\"https:\/\/github.com\/eogasawara\/series-temporais\/blob\/main\/t02-tutorial.pdf\">t02-tutorial.pdf<\/a> \u2014 tutoriais pr\u00e1ticos do <code>tspredit<\/code>, com casos de uso t\u00edpicos e compara\u00e7\u00e3o de modelos.<\/li>\n<li><a href=\"https:\/\/github.com\/eogasawara\/series-temporais\/blob\/main\/t03-data.pdf\">t03-data.pdf<\/a> \u2014 utilit\u00e1rios de dados do <code>tspredit<\/code>, cobrindo representa\u00e7\u00e3o tabular, proje\u00e7\u00e3o supervisionada e divis\u00e3o temporal para avalia\u00e7\u00e3o.<\/li>\n<li><a href=\"https:\/\/github.com\/eogasawara\/series-temporais\/blob\/main\/t04-datasets.pdf\">t04-datasets.pdf<\/a> \u2014 uso de datasets e pipelines de ingest\u00e3o para s\u00e9ries temporais.<\/li>\n<li><a href=\"https:\/\/github.com\/eogasawara\/series-temporais\/blob\/main\/t05-filter.pdf\">t05-filter.pdf<\/a> \u2014 t\u00e9cnicas de filtragem e sele\u00e7\u00e3o de dados temporais.<\/li>\n<li><a href=\"https:\/\/github.com\/eogasawara\/series-temporais\/blob\/main\/t06-augment.pdf\">t06-augment.pdf<\/a> \u2014 m\u00e9todos de augmenta\u00e7\u00e3o e engenharia de features para s\u00e9ries temporais.<\/li>\n<li><a href=\"https:\/\/github.com\/eogasawara\/series-temporais\/blob\/main\/t07-normalization.pdf\">t07-normalization.pdf<\/a> \u2014 normaliza\u00e7\u00e3o e pr\u00e9-processamento escal\u00e1vel.<\/li>\n<li><a href=\"https:\/\/github.com\/eogasawara\/series-temporais\/blob\/main\/t08-prediction.pdf\">t08-prediction.pdf<\/a> \u2014 modelos de previs\u00e3o e avalia\u00e7\u00e3o de performance.<\/li>\n<li><a href=\"https:\/\/github.com\/eogasawara\/series-temporais\/blob\/main\/t09-custom.pdf\">t09-custom.pdf<\/a> \u2014 customiza\u00e7\u00e3o de workflows e componentes do <code>tspredit<\/code>.<\/li>\n<\/ul>\n<p><a href=\"https:\/\/cefet-rj-dal.github.io\/tspredit\/\">https:\/\/cefet-rj-dal.github.io\/tspredit\/<\/a><\/p>\n<h3>harbinger<\/h3>\n<p><code>harbinger<\/code> \u00e9 uma estrutura (framework) para detec\u00e7\u00e3o de eventos em s\u00e9ries temporais. Ela oferece um ambiente integrado para a detec\u00e7\u00e3o de anomalias, a identifica\u00e7\u00e3o de pontos de mudan\u00e7a e a descoberta de padr\u00f5es recorrentes. Disponibiliza uma ampla variedade de m\u00e9todos de detec\u00e7\u00e3o, al\u00e9m de fun\u00e7\u00f5es para visualiza\u00e7\u00e3o e avalia\u00e7\u00e3o das detec\u00e7\u00f5es realizadas.<\/p>\n<ul>\n<li><a href=\"https:\/\/github.com\/eogasawara\/series-temporais\/blob\/main\/h01-harbinger.pdf\">h01-harbinger.pdf<\/a> \u2014 apresenta\u00e7\u00e3o do framework <code>harbinger<\/code> para detec\u00e7\u00e3o de eventos em s\u00e9ries temporais.<\/li>\n<li><a href=\"https:\/\/github.com\/eogasawara\/series-temporais\/blob\/main\/h02-tutorial.pdf\">h02-tutorial.pdf<\/a> \u2014 tutorial pr\u00e1tico de uso do <code>harbinger<\/code>, com exemplos guiados de aplica\u00e7\u00e3o.<\/li>\n<li><a href=\"https:\/\/github.com\/eogasawara\/series-temporais\/blob\/main\/h03-general.pdf\">h03-general.pdf<\/a> \u2014 vis\u00e3o geral dos componentes e fluxos gerais de trabalho do <code>harbinger<\/code>.<\/li>\n<li><a href=\"https:\/\/github.com\/eogasawara\/series-temporais\/blob\/main\/h04-datasets.pdf\">h04-datasets.pdf<\/a> \u2014 uso de datasets e prepara\u00e7\u00e3o de dados para tarefas de detec\u00e7\u00e3o temporal.<\/li>\n<li><a href=\"https:\/\/github.com\/eogasawara\/series-temporais\/blob\/main\/h05-transformations.pdf\">h05-transformations.pdf<\/a> \u2014 transforma\u00e7\u00f5es e pr\u00e9-processamento de s\u00e9ries temporais no <code>harbinger<\/code>.<\/li>\n<li><a href=\"https:\/\/github.com\/eogasawara\/series-temporais\/blob\/main\/h06-anomalies.pdf\">h06-anomalies.pdf<\/a> \u2014 detec\u00e7\u00e3o de anomalias com o <code>harbinger<\/code>.<\/li>\n<li><a href=\"https:\/\/github.com\/eogasawara\/series-temporais\/blob\/main\/h07-changepoint.pdf\">h07-changepoint.pdf<\/a> \u2014 detec\u00e7\u00e3o de pontos de mudan\u00e7a com o <code>harbinger<\/code>.<\/li>\n<li><a href=\"https:\/\/github.com\/eogasawara\/series-temporais\/blob\/main\/h08-motifs.pdf\">h08-motifs.pdf<\/a> \u2014 descoberta de motifs e padr\u00f5es recorrentes com o <code>harbinger<\/code>.<\/li>\n<li><a href=\"https:\/\/github.com\/eogasawara\/series-temporais\/blob\/main\/h09-custom.pdf\">h09-custom.pdf<\/a> \u2014 customiza\u00e7\u00e3o de workflows e componentes do <code>harbinger<\/code>.<\/li>\n<\/ul>\n<p><a href=\"https:\/\/cefet-rj-dal.github.io\/harbinger\/\">https:\/\/cefet-rj-dal.github.io\/harbinger\/<\/a><\/p>\n<p>&nbsp;<\/p>\n","protected":false},"excerpt":{"rendered":"<p>Ementa An\u00e1lise de S\u00e9ries Temporais. Conceitos fundamentais e componentes estruturais das s\u00e9ries temporais. T\u00e9cnicas de pr\u00e9-processamento e representa\u00e7\u00e3o de dados temporais. Avalia\u00e7\u00e3o em tarefas temporais. M\u00e9todos estat\u00edsticos e computacionais para an\u00e1lise de s\u00e9ries temporais. Detec\u00e7\u00e3o de eventos, incluindo anomalias, pontos de mudan\u00e7a, desvio de conceito e padr\u00f5es recorrentes. An\u00e1lise de s\u00e9ries temporais em fluxo e [&hellip;]<\/p>\n","protected":false},"author":1,"featured_media":0,"parent":0,"menu_order":0,"comment_status":"closed","ping_status":"closed","template":"","meta":{"_monsterinsights_skip_tracking":false,"_monsterinsights_sitenote_active":false,"_monsterinsights_sitenote_note":"","_monsterinsights_sitenote_category":0,"footnotes":""},"class_list":["post-2299","page","type-page","status-publish","hentry","entry"],"_links":{"self":[{"href":"https:\/\/eic.cefet-rj.br\/~eogasawara\/wp-json\/wp\/v2\/pages\/2299","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/eic.cefet-rj.br\/~eogasawara\/wp-json\/wp\/v2\/pages"}],"about":[{"href":"https:\/\/eic.cefet-rj.br\/~eogasawara\/wp-json\/wp\/v2\/types\/page"}],"author":[{"embeddable":true,"href":"https:\/\/eic.cefet-rj.br\/~eogasawara\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/eic.cefet-rj.br\/~eogasawara\/wp-json\/wp\/v2\/comments?post=2299"}],"version-history":[{"count":16,"href":"https:\/\/eic.cefet-rj.br\/~eogasawara\/wp-json\/wp\/v2\/pages\/2299\/revisions"}],"predecessor-version":[{"id":2715,"href":"https:\/\/eic.cefet-rj.br\/~eogasawara\/wp-json\/wp\/v2\/pages\/2299\/revisions\/2715"}],"wp:attachment":[{"href":"https:\/\/eic.cefet-rj.br\/~eogasawara\/wp-json\/wp\/v2\/media?parent=2299"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}