Az idősoros adatok szegmentációja kiemelkedő fontossággal bír a különböző területeken, mint például a pénzügyi elemzés, egészségügyi monitorozás, vagy az iparban történő folyamatoptimalizáció. A projektmunka célja a felügyelt és nem-paraméteres gépi tanulási módszerek alkalmazásával a komplex idősoros adatok részletekre bontása és szegmentálása meghatározott statisztikai tulajdonság és/vagy nem ismert mögöttes dinamika alapján. Az idősoros osztályozás során a cél az idősorokba tartozó adatpontok kategóriákba sorolása vagy címkézése. Ezt a módszert gyakran alkalmazzák például olyan problémákban, ahol a rendszernek fel kell ismernie egy adott idősorhoz tartozó mintákat vagy tulajdonságokat. Például az idősoros osztályozás hasznos lehet betegségek korai diagnosztizálásában vagy piaci trendek előrejelzésében. A modern gépi tanulási módszerek, például a rekurrens neurális hálózatok (RNN) és a Long Short-Term Memory (LSTM) hálózatok, lehetővé teszik az idősorok bonyolult mintáinak felismerését és hatékony osztályozást. Az idősoros szegmentáció a másik oldalról közelíti meg az idősorok elemzését. Ebben az esetben a cél az idősorokat kisebb, jelentős részekre vagy szegmensekre bontani az idősorok struktúrájának és változásainak jobb megértésében. Szegmentációt alkalmazhatunk például pénzügyi idősorokon az érdekes események vagy trendváltozások azonosítására. A hallgató feladata a félév(ek) során az idősor szegmentáció és osztályozás irodalmának feldolgozása és state-of-the-art módszereinek megismerése után választott adathalmazokon kutatást végezni a megismert technikák alkalmazhatóságának lehetőségeiről, továbbá feltárni a lehetséges továbbfejlesztési lehetőségeiket. Tudományos érdeklődés esetén lehetőség van kutatási munkára is, a téma mély, elméleti kihívásokat tartalmaz, amely TDK konferencián való részvételhez is megfelel.