Прогнозирование временных рядов
Ты разберешься в алгоритмах прогнозирования временных рядов, научишься подбирать алгоритм прогнозирования под конкретную прикладную задачу, оценивать точность прогнозов и адаптировать модели под реальные задачи
C 9 сентября по 31 декабря
Модель экспоненциального сглаживания (ETS)
Несезонная модель авторегрессии и скользящего среднего (ARIMA)
Метод Theta
Библиотека Prophet
Алгоритм прогнозирования N-BEATS
Результат курса
Ты познакомишься с популярными статистическими алгоритмами и методами машинного обучения, которые применяются для прогнозирования временных рядов
Фича курса
Все алгоритмы будут разобраны на реальных примерах из различных сфер:
- ретейл
- производство
- экономика
- финансы
- социальные науки
- медицина
Евгений Платонов
Руководитель курса «Прогнозирование временных рядов»
- Кандидат физико-математических наук
- Автор курсов по анализу данных в МАИ и МФТИ
- Занимался ML в онлайн-ретейле, транспорте и академических проектах
Программа
В первой части курса ты изучишь методы статистического анализа временных рядов
Блок 1
Вторая часть курса будет посвящена методам машинного и глубокого обучения. Ты изучишь результаты соревнований по прогнозированию временных рядов за последние 10 лет
Блок 2
Темы занятий
1.1 Задачи анализа временных рядов
1.2 Постановка задачи прогнозирования и её особенности
1.3 Примеры и графическое представление временного ряда
1.4 Обзор литературы и программного обеспечения
1.2 Постановка задачи прогнозирования и её особенности
1.3 Примеры и графическое представление временного ряда
1.4 Обзор литературы и программного обеспечения
2.1 Простые методы прогнозирования
2.2 Преобразование временного ряда
2.3 Анализ остатков и оценка качества
2.4 Стратегии прогнозирования
2.2 Преобразование временного ряда
2.3 Анализ остатков и оценка качества
2.4 Стратегии прогнозирования
3.1 Простое экспоненциальное сглаживание
3.2 Модели с трендом и сезонностью
3.3 Модели пространства состояний (ETS)
3.4 Оценивание параметров и построение интервальных прогнозов для ETS
3.2 Модели с трендом и сезонностью
3.3 Модели пространства состояний (ETS)
3.4 Оценивание параметров и построение интервальных прогнозов для ETS
4.1 Стационарность и дифференцирование
4.2 Несезонная модель авторегрессии и скользящего среднего (ARIMA)
4.3 Оценивание параметров и выбор порядка модели ARIMA
4.4 Сезонная модель ARIMA
4.5 Модель ARIMA с дополнительными переменными
4.2 Несезонная модель авторегрессии и скользящего среднего (ARIMA)
4.3 Оценивание параметров и выбор порядка модели ARIMA
4.4 Сезонная модель ARIMA
4.5 Модель ARIMA с дополнительными переменными
5.1 Классическая декомпозиция
5.2 X-11 декомпозиция
5.3 STL: сезонная и трендовая декомпозиция с использованием Loess
5.4 Метод Theta
5.2 X-11 декомпозиция
5.3 STL: сезонная и трендовая декомпозиция с использованием Loess
5.4 Метод Theta
6.1 Линейная модель регрессии для временных рядов
6.2 Выбор предикторов и оценка качества прогноза
6.3 Гармоническая регрессия и регрессия с ошибками ARIMA
6.2 Выбор предикторов и оценка качества прогноза
6.3 Гармоническая регрессия и регрессия с ошибками ARIMA
7.1 Сложная сезонность. Модель TBATS
7.2 Сложный тренд. Модель Prophet
7.3 Модели ARFIMA, TARMA, GARCH
7.2 Сложный тренд. Модель Prophet
7.3 Модели ARFIMA, TARMA, GARCH
8.1 Особенности применения методов ML для задачи прогнозирования
8.2 Признаки для временных рядов
8.3 Тонкости применения метода градиентного бустинга
8.2 Признаки для временных рядов
8.3 Тонкости применения метода градиентного бустинга
9.1 Глубокое обучение в задаче прогнозирования временных рядов
9.2 Применение нейронных сетей прямого распространения
9.3 Применение рекуррентных нейронных сетей
9.4 Применение сверхточных нейронных сетей
9.2 Применение нейронных сетей прямого распространения
9.3 Применение рекуррентных нейронных сетей
9.4 Применение сверхточных нейронных сетей
10.1 Механизм внимания
10.2 Exponential sSmoothing tTransformer
10.3 Temporal fFusion tTransformer
10.4 Пространственно-временные модели
10.5 Трансферное обучение в задаче прогнозирования
10.6 TimeGPT-1 и TimeLLM
10.2 Exponential sSmoothing tTransformer
10.3 Temporal fFusion tTransformer
10.4 Пространственно-временные модели
10.5 Трансферное обучение в задаче прогнозирования
10.6 TimeGPT-1 и TimeLLM
11.1 Создание комбинированных прогнозов
11.2 Прогнозирование прерывистых временных рядов
11.3 Разработка моделей для прогнозирования в различных отраслях
11.4 Обучение моделей на реальных данных, подбор параметров и оценка эффективности
11.5 AutoML для временных рядов
11.2 Прогнозирование прерывистых временных рядов
11.3 Разработка моделей для прогнозирования в различных отраслях
11.4 Обучение моделей на реальных данных, подбор параметров и оценка эффективности
11.5 AutoML для временных рядов
12.1 M4: прогнозирование разнородных временных рядов. Разные схемы комбинирования моделей
12.2 M5: прогноз спроса на товары. Прогнозирование иерархических временных рядов
12.3 M6: прогнозирование на финансовом рынке. Связь прогнозов с инвестированием
12.2 M5: прогноз спроса на товары. Прогнозирование иерархических временных рядов
12.3 M6: прогнозирование на финансовом рынке. Связь прогнозов с инвестированием
2 пары в неделю
По субботам
11:30—14:20
Длительность
Длительность 3,5 месяца
с перерывом на новогодние каникулы
Как проходит обучение
Две пары в неделю: лекция и семинар. Преподаватель всегда офлайн. А ты можешь выбрать удобный для себя вариант посещения
Вариант 1
Учиться офлайн в кампусе ЦУ на м. «Маяковская»
Вариант 2
Подключаться к парам онлайн
Вариант 3
Миксовать онлайн и офлайн-форматы
У тебя останутся
Записи и презентации леĸций и семинаров
Дополнительные материалы для самостоятельного изучения
Стоимость обучения
1 курс
100 000 ₽
Скидка 20%
2 курса
160 000 ₽
Скидка 25%
4 курса
300 000 ₽
Скидка 20%
3 курса
240 000 ₽