Прогнозування та аналіз часових рядів
Опануйте time series forecasting, перетворюючи історичні дані на чіткі прогнози — від простих моделей до сучасних нейромереж
Лектор: Кристина Ісакова
7 років досвіду в Data Science
PhD в галузі математичного моделювання
Щоб прокачатися в машинному навчанні, створювати більш точні ML-моделі та розширити стек професійних навичок
Щоб покращити аналітичні звіти завдяки створенню точних та інформативних прогнозів на основі історичних даних
Щоб набути практичного досвіду роботи з часовими рядами та специфічними моделями, як-от ARIMA, SARIMA, LSTM
Опануєте базові моделі time series — ARIMA та SARIMA, навчитеся будувати, розуміти їхні параметри та використовувати сезонний компонент для точних прогнозів у бізнесі.
Протягом навчання будуватимете й тренуватимете LSTM-моделі для складних часових рядів — щоб прогнозувати складніші тренди та аномалії. В результаті зможете автоматизувати й покращувати прогнозування великих обсягів даних.
Зможете використовувати ансамблеві методи, як-от Bagging та Boosting — щоб оптимізувати ухвалення рішень на основі даних. Це дасть змогу зменшити ризики та покращити ефективність прогнозів у роботі з Big Data.
На початку навчання отримаєте реальний датасет і чітке бізнес-завдання для прогнозування. Займаючись проєктом, зможете пройти повний цикл роботи з time series, створите візуалізацію для презентації інсайтів та оціните ефективність прогнозу.
Гіганти індустрії, як-от Amazon, Uber та Airbnb, використовують time series forecasting для передбачення майбутніх викликів і виявлення прихованих патернів у своїх даних.
За 14 онлайн-занять навчитеся працювати з класичними моделями, як-от ARIMA та SARIMA, а також із сучасними нейронними мережами, зокрема з LSTM, для розв’язання складних бізнес-завдань. Крім цього, опануєте техніки кросвалідації, обробки даних та створення ансамблевих моделей — щоб підвищити точність прогнозів та автоматизувати процеси в компаніях.
Ісакова
- Дізнаєтеся, що таке машинне навчання
- Навчитеся будувати моделі лінійної регресії
- З’ясуєте, чому часові ряди виділяють як клас
- Зрозумієте, як будують дерево
- Розберетеся в метриках
- Дізнаєтесь, як правильно оцінити моделі
- Навчитеся генерувати ознаки (Feature Engineering) для часових рядів
- Зрозумієте, чому ансамблі потужніші за звичайні моделі
- Дізнаєтесь, як робити валідацію на часових рядах
- Розберете, з яких компонентів складаються часові ряди та як вони можуть поєднуватися
- Навчитеся робити детальні та інформативні візуалізації
- Зрозумієте, як правильно опрацьовувати часові ряди
- Навчитеся будувати класичні моделі для часових рядів типу ARIMA
- Попрактикуєтеся будувати моделі експоненційного згладжування
- Розглянете їхні переваги та недоліки
- Навчитеся будувати моделі Prophet
- Навчитеся працювати з групою часових рядів та об’єднувати моделі для їхнього прогнозування між собою
- Розглянете, як будують нейромережі
- Дізнаєтесь, як їх тренують
- Зможете самостійно імплементувати просту нейромережу
- Зрозумієте архітектуру автоенкодерів
- Навчитеся самостійно будувати модель автоенкодера
- Зможете інтерпретувати результати й використовувати ці моделі для виявлення аномалій
- Зрозумієте архітектуру нейромереж
- Навчитесь будувати RNN для часових рядів
- Дізнаєтесь, які недоліки має RNN та як їхню роботу покращує LSTM
- Розберетесь у базовій архітектурі CNN
- Дізнаєтесь, як їх можна застосувати для часових рядів
- Розглянете моніторинг та знаходження аномалій
- Дізнаєтеся, де можна ще застосувати нові знання