< побудова моделі прогнозування >
ПРОГНОЗУВАННЯ ТА АНАЛІЗ ЧАСОВИХ РЯДІВ
Опануйте time series forecasting, перетворюючи історичні дані на чіткі прогнози — від простих моделей до сучасних нейромереж
Кристина Ісакова, PhD
former Data Scientist у CHECK24, Holidu та FlixBus
навчитесь інтегрувати моделі Time Series у проєкти, обробляти великі масиви даних та підвищувати точність прогнозів
опануєте інструменти прогнозування для різних бізнес-запитів, зможете вибирати та налаштовувати моделі під сезонність, попит і тренди тощо
поглибите експертизу в ML та отримаєте практичний досвід роботи з моделями ARIMA, SARIMA й нейромережами, щоби будувати точні моделі для проєктів
Опануєте базові моделі time series — ARIMA, SARIMA, LSTM, TFT, а також навчитеся моделювати тренди, сезонність та складні залежності, щоби прогнозувати показники бізнесу, попит, соціальні чи технічні процеси.
Зможете використовувати ансамблеві методи — зокрема Bagging та Boosting — щоби підвищити точність прогнозів, мінімізувати ризики та оптимізувати ухвалення рішень на основі Big Data.
Пройдете повний цикл роботи з часовими рядами: від обробки даних і побудови моделей до запуску у продакшн через API, оцінювання, автоматичного оновлення та моніторингу ― щоб інтегрувати прогнози у системи компанії чи продукти.
- Дізнаєтеся, що таке машинне навчання
- Розглянете особливості часових рядів
- Навчитеся будувати моделі лінійної регресії
- З’ясуєте, чому часові ряди виділяють як клас
- Зрозумієте, як будують дерево
- Розберетеся в метриках для регресії: MSE, RMSE, MAE, R²
- Дізнаєтесь, як правильно оцінити моделі й що таке кросвалідація
- Дізнаєтесь, як досліджувати часові ряди на етапі EDA
- Навчитеся виявляти тренди, сезонність та аномалії
- Навчитеся будувати базові графіки: line plot, boxplot, rolling mean, автокореляції
- Зрозумієте, як проводити EDA
- Розберете, з яких компонентів складаються часові ряди та як вони можуть поєднуватися
- Навчитеся робити детальні та інформативні візуалізації
- Зрозумієте, як опрацьовувати часові ряди перед моделюванням
- Навчитеся працювати з пропущеними даними та аномаліями
- Дізнаєтесь, як декомпонувати та трансформувати ряд для покращення прогнозу
- Навчитеся створювати нові ознаки
- Дізнаєтеся, як будувати лагові фічі та ковзні середні
- Навчитеся виділяти календарні ознаки
- Дізнаєтесь, як уникати витоку інформації за генерації ознак
- Розглянете моделі Random Forest і XGBoost
- Зрозумієте, чому ансамблі сильніші
- Навчитеся застосовувати специфічну валідацію для часових рядів
- Навчитеся будувати моделі типу ARIMA, SARIMA, SARIMAX
- Розберете переваги та недоліки моделей
- Застосуєте моделі до заданого датасету
- Навчитеся будувати моделі експоненційного згладжування
- Розберете їхні переваги та недоліки
- Застосуєте експоненційне згладжування до заданого датасету
- Розглянете компоненти моделі: тренд, сезонність, свята тощо
- Вивчите перетворення Фур'є, кусково-лінійний тренд
- Навчитеся будувати моделі Prophet
- Зрозумієте, як будуються та тренуються нейромережі
- Навчитеся реалізувати просту мережу самостійно
- Розберете архітектуру RNN та LSTM
- Навчитеся застосовувати RNN до часових рядів
- Навчитеся застосовувати LSTM до часових рядів
- Розглянете рекурентні блоки, attention, фічі з майбутнього
- Розберете архітектуру TFT і навчитеся застосовувати її для прогнозування
- Навчитесь інтерпретувати прогнози за допомогою attention
- Дізнаєтесь, що таке SHAP-аналіз
- Зрозумієте, навіщо інтерпретувати моделі
- Навчитеся використовувати SHAP-аналіз і пояснювати логіку моделі
- Розглянете пайплайн для продакшену
- Навчитеся створювати API
- Дізнаєтесь, як організувати оновлення та моніторинг
Залишайте заявку, щоб опанувати розробку моделей прогнозування
для розв'язання реальних бізнес-завдань.