Прогнозирование временных рядов с помощью PyTorch: основы глубинного обучения

Готовы ли вы выйти за рамки простой статистики и использовать глубинное обучение для прогнозирования будущих тенденций на основе исторических данных? Прогнозирование временных рядов является важным навыком в финансах, погоде и бизнес-операциях. Этот курс предоставляет всеобъемлющее введение в анализ последовательных данных, выявление закономерностей и построение сложных моделей прогнозирования. К концу курса вы будете в состоянии предварительной обработки необработанных данные временных рядов и реализации пользовательских архитектур прогнозирования с помощью PyTorch. Что вы узнаете: * Понимание основных статистических свойств данных временных рядов, включая стационарность, автокорреляцию и сезонность. * Применять методы подготовки данных, специфические для последовательных данных (например, окно, масштабирование и инженерия признаков). * Создание фундаментальных моделей прогнозирования, таких как ARIMA и экспоненциальное сглаживание, для необходимого базового сопоставления. * Разработка и реализация архитектур глубокого обучения (например, RNN и LSTM) для многоступенчатого предсказания с использованием PyTorch. * Настройка PyTorch наборов данных и загрузчиков данных, оптимизированных для обработки последовательностей и эффективного пакетного обучения. * Практика оценки эффективности модели с использованием стандартных показателей прогнозирования, таких как MAE, MSE и RMSE. Курс начинается с основных терминов и классических статистических методов анализа временных рядов. Затем он переходит к практической реализации глубокого обучения, ведущей вас через настройку среды PyTorch и создание вашего первого предсказатель нейронной сети с нуля. Этот курс предназначен для начинающих в области науки о данных или машинного обучения, которые знакомы с базовыми навыками программирования на Python и готовы применять глубокое обучение к задачам предсказания. Начните создавать мощные модели предсказания уже сегодня и получайте новые данные из ваших данных.