Прогнозирование и анализ временных рядов
Освойте time series forecasting, превращая исторические данные в четкие прогнозы — от простых моделей до современных нейросетей
Лектор: Кристина Исакова
7 лет опыта в Data Science
PhD в области математического моделирования
Чтобы прокачаться в машинном обучении, создавать более точные ML-модели и расширить стек профессиональных навыков
Чтобы улучшить аналитические отчеты, создавая точные и информативные прогнозы на основе исторических данных
Чтобы получить практический опыт работы с временными рядами и специфическими моделями, такими как ARIMA, SARIMA, LSTM
Освоите базовые модели временных рядов — ARIMA и SARIMA, научитесь строить, понимать их параметры и использовать сезонный компонент для точных прогнозов в бизнесе.
В течение обучения будете строить и тренировать LSTM-модели для сложных временных рядов — чтобы прогнозировать более сложные тренды и аномалии. В результате сможете автоматизировать и улучшать прогнозирование больших объемов данных.
Научитесь использовать ансамблевые методы, такие как Bagging и Boosting, чтобы оптимизировать принятие решений на основе данных. Это позволит снизить риски и улучшить эффективность прогнозов в работе с Big Data.
В начале обучения получите реальный датасет и четкую бизнес-задачу для прогнозирования. Занимаясь проектом, сможете пройти полный цикл работы с time series, создадите визуализацию для презентации инсайтов и оцените эффективность прогноза.
Гиганты индустрии, такие как Amazon, Uber и Airbnb, используют time series forecasting для предсказания будущих вызовов и обнаружения скрытых паттернов в своих данных.
За 14 онлайн-занятий научитесь работать с классическими моделями, например, с ARIMA и SARIMA, а также с современными нейронными сетями, такими как LSTM, для решения сложных бизнес-задач. Кроме этого, овладеете техникой кросс-валидации, обработки данных и создания ансамблевых моделей — чтобы повысить точность прогнозов и автоматизировать процессы в компаниях.
Исакова
- Узнаете, что такое машинное обучение
- Научитесь строить модели линейной регрессии
- Разберетесь, почему временные ряды выделяют как класс
- Поймете, как строится дерево
- Разберетесь в метриках
- Узнаете, как правильно оценить модели
- Научитесь генерировать признаки (Feature Engineering) для временных рядов
- Поймете, почему ансамбли мощнее обычных моделей
- Узнаете, как проводить валидацию на временных рядах
- Разберетесь, из каких компонентов состоят временные ряды и как они могут сочетаться
- Научитесь делать подробные и информативные визуализации
- Поймете, как правильно обрабатывать временные ряды
- Научитесь строить классические модели для временных рядов типа ARIMA
- Попрактикуетесь строить модели экспоненциального сглаживания
- Рассмотрите их преимущества и недостатки
- Научитесь строить модели Prophet
- Научитесь работать с группой временных рядов и объединять модели для их прогнозирования между собой
- Рассмотрите, как строятся нейросети
- Узнаете, как они тренируются
- Сможете самостоятельно имплементировать простую нейросеть
- Поймете архитектуру автоэнкодеров
- Научитесь самостоятельно строить модель автоэнкодера
- Сможете интерпретировать результаты и использовать эти модели для обнаружения аномалий
- Поймете архитектуру нейросетей
- Научитесь строить RNN для временных рядов
- Узнаете, какие недостатки RNN и как их работу улучшает LSTM
- Разберетесь в базовой архитектуре CNN
- Узнаете, как их можно использовать для временных рядов
- Рассмотрите мониторинг и нахождение аномалий
- Узнаете, где еще можно применить новые знания