Прогнозирование временных рядов с помощью глубинного обучения в PyTorch

Данные временных рядов встречаются повсюду, от финансовых рынков до данных датчиков, и овладение глубоким обучением для последовательных данных является важным навыком для современных ученых данные. Этот курс поможет вам из основных концепций временных данных уверенно реализовать передовые рекурсивные нейронные сети (РНС) и LSTM с использованием библиотеки PyTorch. Вы получите практические знания, необходимые для структурирования, обучения и оценки моделей последовательности для задач прогнозирования в реальном мире. Что вы узнаете: * Понимание характеристик данных временных рядов, включая стационарность, тенденции и сезонность. * Подготовка последовательных данных для моделей глубинного обучения с использованием надлежащих методов нормализации и окна. * Создание и обучение фундаментальных рекурсивных нейронных сетей (RNN) и архитектур длинной кратковременной памяти (LSTM) в PyTorch. * Настройка эффективных конвейеров загрузки данных с использованием Dataset и DataLoader PyTorch для пакетной обработки последовательных данных. * Применять передовые методы обучения моделей глубинного обучения, включая управление скрытыми состояниями, обработку исчезающих градиентов и оценку производительности прогнозирования. Курс начинается с основных понятий временных рядов и методов подготовки данных. Затем вы пройдете через реализацию основных моделей последовательности (RNN/LSTM) и завершите структурированием полных тренировочных и оценочных процедур, необходимых для практического применения. Этот курс предназначен для абсолютно начинающих в глубоком обучении и анализе временных рядов, которые знакомы с базовыми навыками программирования на Python. Не требуется предыдущий опыт работы с PyTorch или нейронными сетями. Начните создавать мощные модели прогнозирования уже сегодня.