< построение модели прогнозирования >
ПРОГНОЗИРОВАНИЕ И АНАЛИЗ ВРЕМЕННЫХ РЯДОВ
Освойте time series forecasting, превращая исторические данные в точные прогнозы — от простых моделей до современных нейросетей
Кристина Исакова, PhD
former Data Scientist в CHECK24, Holidu та FlixBus
научитесь интегрировать модели Time Series в проекты, обрабатывать большие объёмы данных и повышать точность прогнозов
освоите инструменты прогнозирования для различных бизнес-задач, сможете выбирать и настраивать модели с учётом сезонности, спроса и трендов
углубите экспертизу в ML и получите практический опыт работы с моделями ARIMA, SARIMA и нейросетями, чтобы строить точные модели для проектов
Освоите базовые модели time series — ARIMA, SARIMA, LSTM, TFT, а также научитесь моделировать тренды, сезонность и сложные зависимости, чтобы прогнозировать бизнес-метрики, спрос, социальные или технические процессы.
Сможете использовать ансамблевые методы — в частности Bagging и Boosting — чтобы повысить точность прогнозов, минимизировать риски и оптимизировать принятие решений на основе Big Data.
Пройдёте весь цикл работы с временными рядами: от обработки данных и построения моделей до продакшен-развёртывания через API, автоматического обновления и мониторинга — чтобы интегрировать прогнозы в системы или продукты компании.
- Узнаете, что такое машинное обучение
- Рассмотрите особенности временных рядов
- Научитесь строить модели линейной регрессии
- Поймёте, почему временные ряды выделяют как отдельный класс
- Разберётесь, как строятся деревья
- Познакомитесь с метриками для регрессии: MSE, RMSE, MAE, R²
- Узнаете, как правильно оценивать модели и что такое кросс-валидация
- Научитесь проводить исследовательский анализ временных рядов
- Научитесь выявлять тренды, сезонность и аномалии
- Освоите построение базовых графиков: line plot, boxplot, rolling mean, автокорреляции
- Поймёте, как проводить EDA
- Разберётесь, из каких компонентов состоят временные ряды и как они взаимодействуют
- Научитесь делать подробные и наглядные визуализации
- Узнаете, как обрабатывать временные ряды перед моделированием
- Освоите работу с пропущенными данными и аномалиями
- Поймёте, как декомпозировать и трансформировать ряд для улучшения прогноза
- Научитесь создавать новые признаки
- Освоите построение лаговых фич и скользящих средних
- Научитесь извлекать календарные признаки
- Узнаете, как избегать утечки информации при генерации признаков
- Изучите модели Random Forest и XGBoost
- Поймёте, почему ансамбли дают лучшие результаты
- Научитесь применять специфическую валидацию для временных рядов
- Научитесь строить модели ARIMA, SARIMA, SARIMAX
- Разберёте их сильные и слабые стороны
- Примените модели к заданному датасету
- Научитесь строить модели экспоненциального сглаживания
- Разберёте их преимущества и ограничения
- Примените экспоненциальное сглаживание к заданному датасету
- Изучите компоненты модели: тренд, сезонность, праздники и т. д.
- Познакомитесь с преобразованием Фурье, кусочно-линейным трендом
- Научитесь строить модели Prophet
- Поймёте, как устроены и обучаются нейронные сети
- Научитесь реализовывать простую сеть самостоятельно
- Изучите архитектуру RNN и LSTM
- Научитесь применять RNN к временным рядам
- Освоите применение LSTM к временным рядам
- Изучите рекуррентные блоки, attention, фичи из будущего
- Разберётесь в архитектуре TFT и научитесь использовать её для прогнозирования
- Освоите интерпретацию прогнозов с помощью attention-механизмов
- Узнаете, что такое SHAP-анализ
- Поймёте, зачем нужно интерпретировать модели
- Научитесь использовать SHAP и объяснять логику модели
- Ознакомитесь с пайплайном для продакшена
- Научитесь создавать API
- Узнаете, как организовать обновление и мониторинг моделей
Оставляйте заявку, чтобы освоить разработку моделей прогнозирования
для решения реальных бизнес-задач.