Содержание пакета (2 курса)
1. Анализ и прогнозирование временных рядов 3.67
Введение в временные ряды
2 урока
1.
Что такое временные ряды: определение и ключевые компоненты
↗
2.
Задачи анализа временных рядов: прогноз, классификация, аномалии
↗
Обработка и визуализация временных рядов
3 урока
1.
Чтение и загрузка временных рядов (Pandas, NumPy)
↗
2.
Очистка и предобработка данных
↗
3.
Визуализация временных рядов с Matplotlib и Seaborn
↗
Стационарность и преобразование временных рядов
3 урока
1.
Определение стационарности временных рядов
↗
2.
Тесты на стационарность: ADF, KPSS, PP и другие
↗
3.
Преобразование временных рядов для стационарности
↗
Декомпозиция временных рядов
2 урока
1.
Теория декомпозиции временных рядов: тренд, сезонность и шум
↗
2.
Применение STL для декомпозиции временных рядов
↗
Классические модели для прогнозирования временных рядов
3 урока
1.
Модели авторегрессии (AR), скользящего среднего (MA), ARMA и др.
↗
2.
Применение ARIMA для прогнозирования
↗
3.
Модели с сезонностью: SARIMA
↗
Прогнозирование с использованием экспоненциального сглаживания
2 урока
1.
Что такое экспоненциальное сглаживание
↗
2.
Прогнозирование с Simple, Double и Triple Exponential Smoothing
↗
Прогнозирование временных рядов с машинным обучением
3 урока
1.
Использование ML для прогнозирования
↗
2.
Выбор признаков и обработка временных зависимостей
↗
3.
Применение моделей ML: Random Forest, XGBoost, LGBM
↗
Глубокое обучение для прогнозирования временных рядов
3 урока
1.
Введение в нейронные сети для прогнозирования временных рядов
↗
2.
Рекуррентные нейронные сети (RNN), LSTM и GRU
↗
3.
Применение LSTM для долгосрочных зависимостей
↗
Продвинутое прогнозирование: Temporal Convolutional Networks
2 урока
1.
Введение в Temporal Convolutional Networks (TCN)
↗
2.
Построение моделей с TCN для прогнозирования временных рядов
↗
Прогнозирование временных рядов с использованием Prophet
3 урока
1.
Введение в Prophet: особенности модели и её использование
↗
2.
Прогнозирование с использованием Prophet для временных рядов
↗
3.
Параметры модели и их настройка
↗
Оценка и улучшение точности прогнозов
2 урока
1.
Техники для улучшения точности прогноза: моделирование ошибок
↗
2.
Оценка стабильности и доверия к прогнозам
↗
Обнаружение аномалий и выбросов
3 урока
1.
Что такое аномалии и выбросы в данных
↗
2.
Методы обнаружения аномалий: статистические и др.
↗
3.
Практические примеры на временных рядах
↗
Заключительный проект: Прогнозирование курса Биткоина
5 уроков
1.
Построение проекта по прогнозированию курса Биткоина
↗
2.
Анализ и очистка данных
↗
3.
Применение методов прогнозирования (ARIMA, LSTM, Prophet и др.)
↗
4.
Оценка качества прогноза и выводы
↗
5.
Обратная связь
↗
2. Нейросети в PyTorch: быстрый старт с нуля 5.00
Введение и настройка
2 урока
1.
Что такое PyTorch и зачем он нужен
↗
2.
Установка и настройка (локально и в Google Colab)
↗
Основы тензоров и автодифференцирование
2 урока
1.
torch.Tensor: создание, типы, shape, операции
↗
2.
Автоматическое дифференцирование: requires_grad, backward() и др
↗
Линейные модели и градиентный спуск
4 урока
1.
Ручной градиентный спуск
↗
2.
Линейная регрессия с PyTorch
↗
3.
Функции потерь и оптимизаторы (MSELoss, SGD)
↗
4.
Тренировка и визуализация лосса
↗
Нейронные сети
4 урока
1.
Что такое нейросети
↗
2.
Многослойный перцептрон (nn.Sequential, nn.Module)
↗
3.
Активации: ReLU, Sigmoid, Softmax
↗
4.
Модель классификации + обучение
↗
Работа с данными
3 урока
1.
Dataset и DataLoader
↗
2.
Работа с CSV и изображениями
↗
3.
Аугментации и трансформации (torchvision.transforms)
↗
Компьютерное зрение
3 урока
1.
Введение в сверточные сети (CNN)
↗
2.
Conv2d, MaxPool2d, Flatten
↗
3.
Классификация на MNIST / CIFAR-10
↗
Оценка и сохранение моделей
3 урока
1.
model.eval(), torch.no_grad()
↗
2.
torch.save, torch.load
↗
3.
Обратная связь
↗