Курс Прогнозування та аналіз часових рядів

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.

Програма курсу

Знайомство з машинним навчанням

• Дізнаєтеся, що таке машинне навчання
• Навчитеся будувати моделі лінійної регресії
• З’ясуєте, чому часові ряди виділяють як клас

Дерева та кросвалідація

• Зрозумієте, як будують дерево
• Розберетеся в метриках
• Дізнаєтесь, як правильно оцінити моделі

Ансамблі та валідація моделей для часових рядів

• Навчитеся генерувати ознаки (Feature Engineering) для часових рядів
• Зрозумієте, чому ансамблі потужніші за звичайні моделі
• Дізнаєтесь, як робити валідацію на часових рядах

Обробка, декомпозиція та візуалізація

• Розберете, з яких компонентів складаються часові ряди та як вони можуть поєднуватися
• Навчитеся робити детальні та інформативні візуалізації
• Зрозумієте, як правильно опрацьовувати часові ряди

Моделі типу ARIMA

Навчитеся будувати класичні моделі для часових рядів типу ARIMA.

Експотенційне згладжування

• Попрактикуєтеся будувати моделі експоненційного згладжування
• Розглянете їхні переваги та недоліки

Модель Prophet

Навчитеся будувати моделі Prophet.

Ієрархічні підходи в часових рядах та гібридні моделі

Навчитеся працювати з групою часових рядів та об’єднувати моделі для їхнього прогнозування між собою.

Вступ до нейромереж

• Розглянете, як будують нейромережі
• Дізнаєтесь, як їх тренують
• Зможете самостійно імплементувати просту нейромережу

Автоенкодери

• Зрозумієте архітектуру автоенкодерів
• Навчитеся самостійно будувати модель автоенкодера
• Зможете інтерпретувати результати й використовувати ці моделі для виявлення аномалій

RNN

• Зрозумієте архітектуру нейромереж
• Навчитесь будувати RNN для часових рядів

LSTM

Дізнаєтесь, які недоліки має RNN та як їхню роботу покращує LSTM.

CNN

• Розберетесь у базовій архітектурі CNN
• Дізнаєтесь, як їх можна застосувати для часових рядів

Моніторинг, аномалії та next steps

• Розглянете моніторинг та знаходження аномалій
• Дізнаєтеся, де можна ще застосувати нові знання

Особливості курсу

• 14 онлайн-занять
• Допомога ментора
• Сертифікат про проходження курсу
• Кейс у портфолоіо
• Курсовий проєкт

Викладачі курсу

Кристи Ісакова - former Data Scientist at CHECK24, Holidu and FlixBus