Анализ временных рядов (ИИ25, 2-3 модули) — различия между версиями

Материал из Wiki - Факультет компьютерных наук
Перейти к: навигация, поиск
м (Добавила описание "О курсе" и "Контакты")
м
 
(не показано 11 промежуточных версии этого же участника)
Строка 15: Строка 15:
 
! Ассистент !! Контакты  
 
! Ассистент !! Контакты  
 
|-
 
|-
−
| style="background:#eaecf0;" | ||  
+
| style="background:#eaecf0;" | Саламашенкова Дарья || @salamashenkovadasha
 
|-
 
|-
−
| style="background:#eaecf0;" | ||  
+
| style="background:#eaecf0;" | Родионов Никита || @white_shpengler
 +
|-
 +
| style="background:#eaecf0;" | Чуйкин Никита || @darcy_tremor
 +
|-
 +
| style="background:#eaecf0;" | Журович Яна || @janinaal
 +
|-
 +
| style="background:#eaecf0;" | Демиденко Никита || @kalxon
 +
|-
 +
| style="background:#eaecf0;" | Анастасия Струнова || @bloodaggie
 
|}
 
|}
  
Строка 24: Строка 32:
  
 
Ссылка на плейлист курса в VK: [https://vkvideo.ru/playlist/-227011779_60 VK-playlist]
 
Ссылка на плейлист курса в VK: [https://vkvideo.ru/playlist/-227011779_60 VK-playlist]
 +
 +
GitHub репозиторий: https://github.com/elineii/HSE-Time-Series-2025
  
 
{| class="wikitable"
 
{| class="wikitable"
 
|-
 
|-
−
  ! Занятие !! Тема !! Дата !! Материалы для самоподготовки к семинарам !! Дополнительные материалы
+
  ! Занятие !! Тема !! Дата !! Дополнительные материалы
 
|-
 
|-
−
| style="background:#eaecf0;" | '''1''' [[ Запись]] || [[мини (ИИ25, 2-3 модули)|мини]] || ...<date>... || ||  
+
| style="background:#eaecf0;" | '''1''' [https://www.youtube.com/watch?v=J0SpCNr6LXI&list=PLmA-1xX7IuzDK0OSCArxNjG_VDuYOXxTs&index=2&pp=iAQB Запись] || Введение, EDA, предобработка, метрики, валидация || 13.11.2025 || На последнем слайде лекции.
 
|-
 
|-
−
| style="background:#eaecf0;" | '''2''' [[ Запись]] || [[ Ноутбук]] || ...<date>... || ||  
+
| style="background:#eaecf0;" | '''2''' [https://www.youtube.com/watch?v=Xugsz45cVsg&list=PLmA-1xX7IuzDK0OSCArxNjG_VDuYOXxTs&index=1&pp=iAQB Запись] || Практика. EDA, метрики, STL-разложение || 24.11.2025 || В ноутбуке.
 
|-
 
|-
−
| style="background:#eaecf0;" | '''3''' [[ Запись]] || [[ Ноутбук]] || ...<date>... || ||
+
| style="background:#eaecf0;" | '''3''' [https://www.youtube.com/watch?v=mLf6cPZBapc&list=PLmA-1xX7IuzDK0OSCArxNjG_VDuYOXxTs&index=2&pp=iAQB Запись] || Модели экспоненциального сглаживания. ETS-модели || 27.11.2025 || На последнем слайде лекции.
 
|-
 
|-
−
| style="background:#eaecf0;" | '''4''' [[ Запись]] || [[ Ноутбук]] || ...<date>... || ||  
+
| style="background:#eaecf0;" | '''4''' [https://www.youtube.com/watch?v=R-9yKew7Gnw&list=PLmA-1xX7IuzDK0OSCArxNjG_VDuYOXxTs&index=1&pp=iAQB Запись] || Стационарность. ACF, PACF. SARIMA(X)-модели || 01.12.2025 ||  
 
|-
 
|-
−
| style="background:#eaecf0;" | '''5''' [[ Запись]] || [[ Ноутбук]] || ...<date>... || ||  
+
| style="background:#eaecf0;" | '''5''' [[ Запись]] || Автоподбор спецификаций, анализ прогнозов и остатков, многомерные ряды) || 04.12.2025 ||
 
|-
 
|-
−
| style="background:#eaecf0;" | '''6''' [[ Запись]] || [[ Ноутбук]] || ...<date>... || ||  
+
| style="background:#eaecf0;" | '''6''' [[ Запись]] || Практика. Перевод задачи прогнозирования в задачу машинного обучения || 11.12.2025 ||
 
|-
 
|-
 
| Конец первого модуля |
 
| Конец первого модуля |
 
|-
 
|-
−
| style="background:#eaecf0;" | '''7''' [[ Запись]] || [[ Ноутбук]] || ...<date>... || ||  
+
| style="background:#eaecf0;" | '''7''' [[ Запись]] || ML методы. Многомерное и многошаговое прогнозирование || ...<date>... ||
 
|-
 
|-
−
| style="background:#eaecf0;" | '''8''' [[ Запись]] || [[ Ноутбук]] || ...<date>... || ||  
+
| style="background:#eaecf0;" | '''8''' [[ Запись]] || Практика. Бонусные темы: кластеризация, ансамблирование, Python-библиотеки || ...<date>... ||
 
|-
 
|-
−
| style="background:#eaecf0;" | '''9''' [[ Запись]] || [[ Ноутбук]] || ...<date>... || ||
+
| style="background:#eaecf0;" | '''9''' [[ Запись]] || DL методы. Архитектуры из разных семейств || ...<date>... ||
 
|-
 
|-
−
| style="background:#eaecf0;" | '''10''' [[ Запись]] || [[ Ноутбук]] || ...<date>... || ||  
+
| style="background:#eaecf0;" | '''10''' [[ Запись]] || DL методы. Генеративные модели || ...<date>... ||
 
|-
 
|-
−
| style="background:#eaecf0;" | '''11''' [[ Запись]] || [[ Ноутбук]] || ...<date>... || ||  
+
| style="background:#eaecf0;" | '''11''' [[ Запись]] || DL методы. Фундаментальные модели || ...<date>... ||
 
|-
 
|-
−
| style="background:#eaecf0;" | '''12''' [[ Запись]] || [[ Ноутбук]] || ...<date>... || ||  
+
| style="background:#eaecf0;" | '''12''' [[ Запись]] || DL методы. LLM for TS || ...<date>... ||
 
|-
 
|-
 
|}
 
|}
  
 
=== Записи консультаций ===
 
=== Записи консультаций ===
−
 
  
 
==Формула оценивания==
 
==Формула оценивания==
  
−
Оценка = ...<вес 1>...*О<sub>...<форма контроля 1>...</sub> + ...<вес 2>...*О<sub>...<форма контроля 2>...</sub> + ...<вес 3>...*О<sub>...<форма контроля 3>...</sub>
+
<big>'''Итог''' = Округление(0.5 * ДЗ + 0.1 * Тесты + 0.2 * Проект + 0.2 * Э),</big>
  
 +
* 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 ==
 
== 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.
 +
 
 +
Первое домашнее задание уже ждет, когда вы его начнете решать: https://github.com/elineii/HSE-Time-Series-2025/blob/main/HW_1/HW_1__unsolved.ipynb
 +
 
 +
'''Срок сдачи: 16.12.2025 23:59 MSK'''
 +
 
 +
* 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 на занятиях темы ЛИБО end-to-end решения боевой задачи анализа TS.
 +
 
 +
== Тесты ==
 +
* Тест 1 (Введение и классические модели). Выдан после Лекции 5.
 +
 
 +
https://forms.yandex.ru/u/6931633f9029027681970280
 +
 
 +
В каждом вопросе может быть от 1 до 4 (включительно) правильных вариантов ответа.
 +
 
 +
'''Срок сдачи: 14.12 23:59'''
 +
 
 +
== Литература (будет пополняться) ==
 +
Хорошие вводные учебники по временным рядам:
 +
# Р. Хайндман, 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.)
  
−
== Литература ==
+
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).
−
#
+

Текущая версия на 17:45, 4 декабря 2025

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

GitHub репозиторий: https://github.com/elineii/HSE-Time-Series-2025

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 Автоподбор спецификаций, анализ прогнозов и остатков, многомерные ряды) 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.

Первое домашнее задание уже ждет, когда вы его начнете решать: https://github.com/elineii/HSE-Time-Series-2025/blob/main/HW_1/HW_1__unsolved.ipynb

Срок сдачи: 16.12.2025 23:59 MSK

  • 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 на занятиях темы ЛИБО end-to-end решения боевой задачи анализа TS.

Тесты

  • Тест 1 (Введение и классические модели). Выдан после Лекции 5.

https://forms.yandex.ru/u/6931633f9029027681970280

В каждом вопросе может быть от 1 до 4 (включительно) правильных вариантов ответа.

Срок сдачи: 14.12 23:59

Литература (будет пополняться)

Хорошие вводные учебники по временным рядам:

  1. Р. Хайндман, Дж. Атанасопулос — Прогнозирование: принципы и практика (рус.).
  2. https://otexts.com/fpp3/some-simple-statistics.html — он же в оригинале (англ.).
  3. Э. Нильсон — Практический анализ временных рядов. Прогнозирование со статистикой и машинное обучение (рус.)

Статьи (все англ.):

  1. 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.
  2. 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.
  3. 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).
Источник — «http://wiki.cs.hse.ru/index.php?title=Анализ_временных_рядов_(ИИ25,_2-3_модули)&oldid=94039»