Курс по анализу и прогнозированию временных рядов. Подходит для специалистов, работающих с экономическими, финансовыми или операционными данными.
Цели курса
После курса вы сможете:
● Анализировать и визуализировать временные ряды;
● Выявлять тренды, сезонность и циклы;
● Строить прогнозные модели: ARIMA, SARIMA, Prophet;
● Применять методы глубокого обучения (RNN/LSTM) для прогнозирования.
Предварительные требования: знание Python
Часть 1
1. Что такое временной ряд
● Определение временного ряда
● Компоненты:
○ Trend
○ Seasonality
○ Cyclic
○ Noise
● Additive vs Multiplicative модели
2. Стационарность
● Строгая и слабая стационарность
● Почему это важно
● Unit root
● Dickey-Fuller test
● KPSS test
3. Автокорреляция
● ACF
● PACF
● Интерпретация графиков
● Лаги
Часть 2
4. AR, MA, ARMA
● Интерпретация коэффициентов
● Условия стационарности
● Инвертируемость
5. ARIMA
● Differencing
● Параметры (p, d, q)
● Подбор модели
● AIC / BIC
6. SARIMA
● Сезонная компонента
● Параметры (P, D, Q, s)
● Реальные бизнес-примеры
7. ETS (Exponential Smoothing)
● Simple exponential smoothing
● Holt
● Holt-Winters
● Additive vs multiplicative seasonality
Часть 3
8. Feature Engineering для TS
● Lag features
● Rolling mean
● Rolling std
● Expanding windows
● Time-based features
9. Валидация
● Почему нельзя обычный train-test split
● Time Series Split
● Walk-forward validation
10. ML модели
● Linear Regression
● Random Forest
● XGBoost
● LightGBM
11. Метрики
● MAE
● RMSE
● MAPE
● SMAPE
● Business-driven metrics
Часть 4
12. RNN
● Vanishing gradient
● Последовательная зависимость
13. LSTM
● Архитектура
● Формулы обновления состояния
14. GRU
● Упрощенная версия LSTM
● Когда использовать
15. Attention & Transformers
● Self-attention
● Encoder architecture
● Почему Transformer работает для временных рядов
16. Sequence-to-Sequence forecasting
● Multi-step forecasting
● Direct vs recursive strategy
Часть 5
17. Многомерные временные ряды
● VAR модель
● Взаимозависимые ряды
18. Проблемы реального мира
● Missing values
● Outliers
● Concept drift
● Regime switching
19. Anomaly Detection
● Statistical methods
● Isolation Forest
● LSTM autoencoder
