Изучим регрессию, автокорреляция и рекуррентные нейросети для работы с временными рядами Чему вы научитесь: Теория временных рядов Описание тенденций временного ряда Прогнозирование временного ряда Линейная и нелинейная регрессия ARMA, ARIMA, SARIMA(X) ADL и VAR RNN, LSTM и GRU BiLSTM Требования: Продвинутый Python Основы машинного обучения Это дополнительный курс программы Машинное обучение от ITtensive по анализу временных рядов. В курсе разбираются 3 практических задачи: 1. Фьючерсы (цены) на зерно. Используя помесячные данные фьючерсов на зерно на лондонской бирже и применив ансамбль классических методов - бегущего среднего и полиномиальной регрессии - спрогнозируем цены в период сильной неопределенности. Проект: прогноз фьючерсов на июнь 2022 года 2. Курсы валют. Изучим частотный и эконометрический подход для описание и прогнозирования курса доллара к рублю. Научимся раскладывать ряд на тренд, сезонность и вариацию и использовать модели ARMA, ARIMA, SARIMA, а также векторные (факторные) данные. Попробуем библиотеки Prophet и Auto-TS (автоматическое машинное обучение). Проект: прогноз объема экспорта в декабре 2022 года 3. Активность потребителей электроэнергии. Разберемся с нейронными сетями и на основе достаточно стационарного ряда спрогнозируем его поведение, используя ансамбль из рекуррентных нейросетей. Курсовой проект: прогноз курса акций, используя рекуррентные нейросети. Теория по курсу включает: Понятие и цели анализа временного ряда Базовые техники - полиномиальные тренды и бегущее среднее Модель Хольта-Винтерса и цвета шума Авторегрессия и стационарность ряда AR/MA, ARIMA, SARIMA(X) ADL и VAR Методологию анализа временных рядов и дрейф данных Рекуррентные нейросети LSTM, GRU, ConvLSTM и BiLSTM В заключении посмотрим на модели WaveNet и трансформеры (механизмы внимания). Для кого этот курс: Инженеры по данным, работающие с временными сериями Разработчики Python, прогнозирующие временные ряды Ученые по данным, исследующие временные зависимости Спойлер: Что внутри? 01. Введение Введение.mp4 02. Линейная регрессия и скользящие окна Понятие временного ряда.mp4 Цели анализа временных рядов.mp4 Полиномиальные тренды.mp4 Скользящие средние.mp4 Метод экспоненциального сглаживания.mp4 Сигнал и шум.mp4 03. Практикум Цены на зерно Цены на зерно.mp4 Исходный код.html Скользящее окно.mp4 Исходный код.html Экспоненциальное среднее.mp4 Исходный код.html Модель Хольта-Винтерса.mp4 Исходный код.html Частотный анализ.mp4 Исходный код.html 04. Проект предсказание цен Фьючерсы на зерно.html 05. Эконометрический подход Авторегрессия.mp4 Стационарность.mp4 ARMA.mp4 ARIMA.mp4 SARIMA(X).mp4 ADL и VA.mp4 Автокорреляция.html 06. Практикум Курсы валют ARMA.mp4 Исходный код.html ARIMA.mp4 Исходный код.html SARIMA.mp4 Исходный код.html PROPHET.mp4 Исходный код.html Auto-TS.mp4 Исходный код.html 07. Проект Объем экспорта Прогнозирование объема экспорта.txt 08. Методология анализа временных рядов и нейросети Анализ временных рядов.mp4 Дрейф данных.mp4 RNN.mp4 LSTM.mp4 GRU.mp4 BiLSTM и ConvLST.mp4 Рекуррентные нейросети.html 09. Практикум Активность потребителей Потребители энергии.mp4 Исходный код.html CatBoost.mp4 Исходный код.html RNN.mp4 Исходный код.html LST.mp4 Исходный код.html GRU.mp4 Исходный код.html BiLST.mp4 Исходный код.html 10. Курсовой проект Моделирование временного ряда.txt 11. Заключение Поздравления.mp4 Продажник:
