Microaula em Método CELULA • Prévia Aberta

<p>Estudo aprofundado da teoria estatística e computacional das séries temporais univariadas e multivariadas aplicadas à previsão de demanda de produtos, estoques e vendas. Decomposição estrutural (tendência, sazonalidade determinística/estocástica e ruído branco), testes formais de estacionariedade (ADF e KPSS), diferenciação e funções de autocorrelação (ACF e PACF); modelagem clássica com SARIMAX (Sazonal Auto-Regressivo Integrado de Médias Móveis com variáveis exógenas) e suavização exponencial de Holt-Winters; até as arquiteturas modernas de aprendizado de máquina e aprendizado profundo: o modelo aditivo decomponível Meta Prophet / NeuralProphet e redes neurais recorrentes LSTM (Long Short-Term Memory) e GRU implementadas em PyTorch/TensorFlow com avaliação de erro por WAPE, MAPE e RMSE.</p>

Estudo aprofundado da teoria estatística e computacional das séries temporais univariadas e multivariadas aplicadas à previsão de demanda de produtos, estoques e vendas. Decomposição estrutural (tendência, sazonalidade determinística/estocástica e ruído branco), testes formais de estacionariedade (ADF e KPSS), diferenciação e funções de autocorrelação (ACF e PACF); modelagem clássica com SARIMAX (Sazonal Auto-Regressivo Integrado de Médias Móveis com variáveis exógenas) e suavização exponencial de Holt-Winters; até as arquiteturas modernas de aprendizado de máquina e aprendizado profundo: o modelo aditivo decomponível Meta Prophet / NeuralProphet e redes neurais recorrentes LSTM (Long Short-Term Memory) e GRU implementadas em PyTorch/TensorFlow com avaliação de erro por WAPE, MAPE e RMSE.

Fundamentos Estocásticos de Séries Temporais: Estacionariedade e Decomposição

Séries temporais diferenciam-se de dados tabulares clássicos pela dependência cronológica estrita ent...