DEV-PDA210. Прогнозирование временных рядов
Длительность дисциплины: 32 ак.ч.
Аннотация
Программа курса охватывает методы анализа и прогнозирования временных рядов, включая проверку стационарности, авторегрессионные модели (AR, ARMA, SARIMA) и современные нейросетевые архитектуры (LSTM). Изучаются классические подходы (модели Хольта, Тейла-Вейджа, Уинтерса) и их применение в задачах прогнозирования. Особое внимание уделяется этапам разработки end-to-end решений — от предобработки данных до развертывания моделей в production. Практическая часть включает работу с реальными данными, построение прогнозов и оценку качества моделей.
Знания и умения, полученные в результате изучения
В результате освоения программы обучающийся должен уметь:
- Анализировать и обрабатывать временные ряды
- Применять классические методы прогнозирования
- Работать с нейросетевыми архитектурами
- Внедрять модели в производственную среду (внедрять на «бой»)
В результате освоения программы обучающийся приобретет следующие компетенции:
- Разработка end-to-end решений (от данных до production)
- Выявление трендов, сезонности, стационарности
- Навыки визуализации результатов анализа средствами библиотеки statsmodels
- Способность проводить диагностику моделей (анализ остатков, тесты на стационарность)
В результате освоения программы обучающийся приобретет практический опыт:
- Развертывание моделей машинного обучения на «бою»
- Умение сравнивать различные модели временных рядов
Содержание дисциплины
Тема 1. Стационарность временных рядов, авторегрессия
Методы определения стационарности
Декомпозиция временного ряда
Автокорреляция и частичная автокорреляция
Дифференцирование временного ряда
Практические занятия
Исследование различных временных рядов на стационарность
Тема 2. Модели экспоненциального сглаживания
Модель Хольта
Модель Унтирса
Модель Тейла-Вейджа
Практические занятия
Предсказание продажи авиабилетов
Тема 3. Классические модели временных рядов
Модель ARIMA
Модель SARIMA
Модель SARIMAX
Модель VAR
Модель ARCH
Практические занятия
Предсказание стоимости акций
Тема 4. Современные модели временных рядов
Модель пророка
Модель LSTM
Практические занятия
Предсказание продаж различных товаров
Тема 4. Деплой моделей МО на локальном сервере
Тестирование моделей в продакшене
Мониторинг модели после внедрения
Практические занятия
Создание сервиса с моделью машинного обучения, предсказывающего тональность отзыва клиента
Тема 5. Аттестация
Предоставить пет-проджект