Анализ временных рядов (ИИ25, 2-3 модули)
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
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
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.)
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).
