Курс на Stepik
Обложка курса «Анализ и прогнозирование временных рядов» на Stepik
2 990 ₽

Анализ и прогнозирование временных рядов ★ 3.600

Открыть на
STEPIK.ORG

Овладейте искусством прогнозирования с помощью анализа временных рядов! Наш курс охватывает все этапы — от предобработки данных и визуализации до применения классических моделей ARIMA, машинного обучения (XGBoost, LGBM) и глубоких нейронных сетей (LSTM, TCN). Вы научитесь строить точные прогнозы, обнаруживать аномалии и реализовывать проекты на реальных данных.

Показатель Текущие показатели Рост
Значение 🏆 Рейтинг 3 дн 7 дн 30 дн
Количество учеников на курсе «Анализ и прогнозирование временных рядов»Учеников на курсе 51
Сертификаты, выданные на курсе «Анализ и прогнозирование временных рядов»Сертификатов выдано 10
Отзывы о курсе «Анализ и прогнозирование временных рядов»Отзывов получено 5
Рейтинг курса «Анализ и прогнозирование временных рядов»Рейтинг курса 3.600
Уроки в курсе «Анализ и прогнозирование временных рядов»Количество уроков 36
Тесты в курсе «Анализ и прогнозирование временных рядов»Количество квизов 235
Задачи с кодом в курсе «Анализ и прогнозирование временных рядов»Количество задач с кодом 5
Время прохождения курса «Анализ и прогнозирование временных рядов»Время прохождения курса —
Стоимость курса «Анализ и прогнозирование временных рядов»Стоимость курса 2 990 ₽ —
Обновления курса «Анализ и прогнозирование временных рядов»Обновления курса — —
Дата публикации курса «Анализ и прогнозирование временных рядов»Дата публикации курса — ———
Последнее обновление курса «Анализ и прогнозирование временных рядов»Последнее обновление — ———
Сложность normal — ———

Содержание курса

Разделы в курсе «Анализ и прогнозирование временных рядов» 13 разделов Уроки в курсе «Анализ и прогнозирование временных рядов» 36 уроков Тесты в курсе «Анализ и прогнозирование временных рядов» 235 тестов Задачи в курсе «Анализ и прогнозирование временных рядов» 5 задач Время прохождения курса «Анализ и прогнозирование временных рядов» 7 ч. Последнее обновление курса «Анализ и прогнозирование временных рядов» обн. 23 апреля 2026

1. Введение в временные ряды

2 урока
Закрытый
1.1 Что такое временные ряды: определение и ключевые компоненты ↗
31
20
3м 20с
0
Закрытый
1.2 Задачи анализа временных рядов: прогноз, классификация, аномалии ↗
28
17
9м 6с
0

2. Обработка и визуализация временных рядов

3 урока
Закрытый
2.1 Чтение и загрузка временных рядов (Pandas, NumPy) ↗
27
17
13м 6с
0
Закрытый
2.2 Очистка и предобработка данных ↗
25
12
17м 24с
0
Закрытый
2.3 Визуализация временных рядов с Matplotlib и Seaborn ↗
24
13
11м 22с
1

3. Стационарность и преобразование временных рядов

3 урока
Закрытый
3.1 Определение стационарности временных рядов ↗
23
18
5м 55с
0
Закрытый
3.2 Тесты на стационарность: ADF, KPSS, PP и другие ↗
21
14
16м 9с
0
Закрытый
3.3 Преобразование временных рядов для стационарности ↗
21
9
25м 3с
0

4. Декомпозиция временных рядов

2 урока
Закрытый
4.1 Теория декомпозиции временных рядов: тренд, сезонность и шум ↗
21
9
10м 40с
0
Закрытый
4.2 Применение STL для декомпозиции временных рядов ↗
20
10
29м 44с
0

5. Классические модели для прогнозирования временных рядов

3 урока
Закрытый
5.1 Модели авторегрессии (AR), скользящего среднего (MA), ARMA и др. ↗
20
15
4м 25с
0
Закрытый
5.2 Применение ARIMA для прогнозирования ↗
19
10
27м 0с
0
Закрытый
5.3 Модели с сезонностью: SARIMA ↗
19
10
28м 4с
0

6. Прогнозирование с использованием экспоненциального сглаживания

2 урока
Закрытый
6.1 Что такое экспоненциальное сглаживание ↗
18
1
9м 34с
0
Закрытый
6.2 Прогнозирование с Simple, Double и Triple Exponential Smoothing ↗
16
11
9м 20с
0

7. Прогнозирование временных рядов с машинным обучением

3 урока
Закрытый
7.1 Использование ML для прогнозирования ↗
18
9
3м 34с
0
Закрытый
7.2 Выбор признаков и обработка временных зависимостей ↗
16
11
8м 23с
0
Закрытый
7.3 Применение моделей ML: Random Forest, XGBoost, LGBM ↗
14
9
13м 43с
0

8. Глубокое обучение для прогнозирования временных рядов

3 урока
Закрытый
8.1 Введение в нейронные сети для прогнозирования временных рядов ↗
12
6
2м 7с
0
Закрытый
8.2 Рекуррентные нейронные сети (RNN), LSTM и GRU ↗
11
4
4м 10с
0
Закрытый
8.3 Применение LSTM для долгосрочных зависимостей ↗
13
8
0м 14с
0

9. Продвинутое прогнозирование: Temporal Convolutional Networks

2 урока
Закрытый
9.1 Введение в Temporal Convolutional Networks (TCN) ↗
16
9
3м 49с
0
Закрытый
9.2 Построение моделей с TCN для прогнозирования временных рядов ↗
12
9
2м 11с
0

10. Прогнозирование временных рядов с использованием Prophet

3 урока
Закрытый
10.1 Введение в Prophet: особенности модели и её использование ↗
13
9
3м 1с
0
Закрытый
10.2 Прогнозирование с использованием Prophet для временных рядов ↗
12
8
4м 49с
0
Закрытый
10.3 Параметры модели и их настройка ↗
12
8
6м 2с
0

11. Оценка и улучшение точности прогнозов

2 урока
Закрытый
11.1 Техники для улучшения точности прогноза: моделирование ошибок ↗
12
8
110м 4с
0
Закрытый
11.2 Оценка стабильности и доверия к прогнозам ↗
12
6
2м 46с
0

12. Обнаружение аномалий и выбросов

3 урока
Закрытый
12.1 Что такое аномалии и выбросы в данных ↗
12
6
2м 19с
0
Закрытый
12.2 Методы обнаружения аномалий: статистические и др. ↗
10
5
0м 13с
0
Закрытый
12.3 Практические примеры на временных рядах ↗
10
1
0м 8с
0

13. Заключительный проект: Прогнозирование курса Биткоина

5 уроков
Закрытый
13.1 Построение проекта по прогнозированию курса Биткоина ↗
14
6
-
0
Закрытый
13.2 Анализ и очистка данных ↗
14
6
-
0
Закрытый
13.3 Применение методов прогнозирования (ARIMA, LSTM, Prophet и др.) ↗
12
6
-
0
Закрытый
13.4 Оценка качества прогноза и выводы ↗
12
6
-
0
Закрытый
13.5 Обратная связь ↗
11
7
0м 11с
0