Анализ временных рядов (ИИ25, 2-3 модули) — различия между версиями
(Добавила гитхаб репу и дополнила список ассистентов) |
(Перенесла гитхаб репозиторий в материалы) |
||
| Строка 8: | Строка 8: | ||
Чат курса в TG: https://t.me/c/3194229958/1 | Чат курса в TG: https://t.me/c/3194229958/1 | ||
| − | |||
| − | |||
Преподаватель: Алина Костромина (@elineii), Азиз Темирханов (@MrDredD). | Преподаватель: Алина Костромина (@elineii), Азиз Темирханов (@MrDredD). | ||
Версия 18:28, 27 ноября 2025
Содержание
О курсе
Занятия проводятся в Zoom по четвергам в 18:10. При переносе занятия проводятся в Zoom по понедельникам в 18:10.
Контакты
Канал курса в TG: https://t.me/c/3194229958/10
Чат курса в TG: https://t.me/c/3194229958/1
Преподаватель: Алина Костромина (@elineii), Азиз Темирханов (@MrDredD).
| Ассистент | Контакты |
|---|---|
| Саламашенкова Дарья | @salamashenkovadasha |
| Родионов Никита | @white_shpengler |
| Чуйкин Никита | @darcy_tremor |
| Журович Яна | @janinaal |
| Демиденко Никита | @kalxon |
| Анастасия Струнова | @bloodaggie |
Материалы курса
Ссылка на плейлист курса на YouTube: YouTube-playlist
Ссылка на плейлист курса в VK: VK-playlist
| Занятие | Тема | Дата | Дополнительные материалы |
|---|---|---|---|
| 1 Запись | Введение, EDA, предобработка, метрики, валидация | 13.11.2025 | На последнем слайде лекции. |
| 2 Запись | Практика. EDA, метрики, STL-разложение | 24.11.2025 | В ноутбуке. |
| 3 Запись | Модели экспоненциального сглаживания. ETS-модели | 27.11.2025 | На последнем слайде лекции. |
| 4 Запись | Стационарность. ACF, PACF. SARIMA(X)-модели | 01.12.2025 | |
| 5 Запись | Практика. Информационные критерии, автоподбор спецификаций, анализ прогнозов и остатков) | 04.12.2025 | |
| 6 Запись | Практика. Перевод задачи прогнозирования в задачу машинного обучения | 11.12.2025 | |
| 7 Запись | ML методы. Многомерное и многошаговое прогнозирование | ...<date>... | |
| 8 Запись | Практика. Бонусные темы: кластеризация, ансамблирование, Python-библиотеки | ...<date>... | |
| 9 Запись | DL методы. Архитектуры из разных семейств | ...<date>... | |
| 10 Запись | DL методы. Генеративные модели | ...<date>... | |
| 11 Запись | DL методы. Фундаментальные модели | ...<date>... | |
| 12 Запись | DL методы. LLM for TS | ...<date>... |
Записи консультаций
Формула оценивания
Итог = Округление(0.5 * ДЗ + 0.1 * Тесты + 0.2 * Проект + 0.2 * Э),
- ДЗ — средняя оценка за все домашние задания,
- Тесты — оценка за тесты после группы объединенных одной темой лекций,
- Э — оценка за экзамен.
Округление арифметическое.
Автомат: Определим накопленную оценку как Накоп = Округление((0.5 * ДЗ + 0.1 * Тесты + 0.2 * Проект) / 0.8).
Если среднее по каждому из элементов Накопа >=8, то студент может получить Накоп в качестве итоговой оценки, не приходя на экзамен.
Домашние задания
- ДЗ1. Выдается после лекции 3. Дедлайн через 14 дней.
ДЗ посвящено построению end-to-end пайплайна прогнозирования от EDA, предобработки ряда до сравнения между собой нескольких классических моделей из изучаемых на лекциях.
- ДЗ2. Выдается после Лекции 6. Дедлайн через 14 дней.
ДЗ посвящено построению признаков и применению градиентного бустинга для решения задачи прогнозирования многомерного временного ряда.
- ДЗ3. Выдается после Лекции 9. Дедлайн через 14 дней.
ДЗ посвящено применению и модификации изучаемых DL подходов для решения задачи прогнозирования многомерного временного ряда.
- Проект! Выдается после Лекции 11. Дедлайн через 14 дней.
Проект посвящен проверке исследовательской гипотезы, которая расширяет рассматриваемые
Литература (будет пополняться)
Хорошие вводные учебники по временным рядам:
- Р. Хайдман, Дж. Атанасопулос — Прогнозирование: принципы и практика (рус.).
- https://otexts.com/fpp3/some-simple-statistics.html — он же в оригинале (англ.).
- Э. Нильсон — Практический анализ временных рядов. Прогнозирование со статистикой и машинное обучение (рус.)
Статьи (все англ.):
- Wang, Y., Wu, H., Dong, J., Liu, Y., Wang, C., Long, M., & Wang, J. (2024). Deep time series models: A comprehensive survey and benchmark. arXiv preprint arXiv:2407.13278.
- Hewamalage, H., Ackermann, K., & Bergmeir, C. (2023). Forecast evaluation for data scientists: common pitfalls and best practices. Data Mining and Knowledge Discovery, 37(2), 788-832.
- Liang, Y., Wen, H., Nie, Y., Jiang, Y., Jin, M., Song, D., ... & Wen, Q. (2024, August). Foundation models for time series analysis: A tutorial and survey. In Proceedings of the 30th ACM SIGKDD conference on knowledge discovery and data mining (pp. 6555-6565).
