-------------- OKTATÁS --------------
-------------- Idősorelemző alkalmazásai mesterséges intelligencia segítségével (2022/23) --------------
------\\\-+-----------------0-----------------+-///------
-{Bevezetés}-
------\\\-+-----------------1-----------------+-///------
-{Alapfogalmak-PPT}-
-{Alapfogalmak-Notebook}-
------\\\-+-----------------2-----------------+-///------
-{Teljesítmény transzformációk,Fehér zaj, Random Walk}-
-{Teljesítmény transzformációk,Fehér zaj, Random Walk-Notebook}-
------\\\-+-----------------3-----------------+-///------
-{Idősoros adatok dekompoziciója}-
-{Idősoros adatok dekompoziciója-Notebook}-
------\\\-+-----------------4-----------------+-///------
-{Autokorreláció, Autoregreszió}-
-{Autokorreláció, Autoregreszió-Notebook}-
------\\\-+-----------------5-----------------+-///------
-{ARIMA modell}-
-{ARIMA modell-Notebook}-
------\\\-+-----------------6-----------------+-///------
-{Autoregresszió}-
-{Autoregresszió-Notebook}-
------\\\-+-----------------7-----------------+-///------
-{Kovariánsok és DLL modelek}-
-{Kovariánsok és DLL modelek-Notebook}-
------\\\-+-----------------8-----------------+-///------
-{Klasszifikáció és anomália keresés}-
-{Klasszifikáció-Notebook}-
------\\\-+-----------------9-----------------+-///------
-{Anomália keresés}-
-{Anomália keresés - Videó}-
-------------- Ajánlott irodalom/Linkek --------------
Steffen Herbold - Intro to data science
Unit8co - Time Series Made Easy in Python
Jason Brownlee - Introduction to Time Series Forecasting with Python