Всем привет! Сегодня расскажу про новые разработки в алгоритмах экспоненциального сглаживания. В частности, про модель Orbit, которая была выпущена компанией Uber. В последние годы крупные технологические компании уделяют значительное внимание разработке инструментов для анализа временных рядов, поэтому необходимо следить за этой быстроразвивающейся областью анализа данных

В данной публикации хотелось бы поговорить о задаче предсказания временных рядов методами машинного обучения. В каком виде зачастую используются данные для задачи предсказания? Что такое LSTM-архитектура рекуррентных нейронных сетей? Как справляются модели RNN и CNN c поставленной задачей?

Одной из самых популярных моделей для исследования временных рядов является ARIMA. В статье мы кратко расскажем об этой модели о долгосрочной памяти и рассмотрим необычный способ оценки параметра d с помощью метода нормированного размаха.

С развитием информационных технологий, имея ПК и установленный на нем стандартный пакет Python, можно анализировать данные и строить на их основе прогнозы. Во многих случаях достаточно скачать библиотеку для анализа данных, и получить неплохие результаты. При этом процессы, происходящие внутри используемых пользователем библиотек, остаются за пределами внимания и, в итоге, полученные данные могут быть неправильно интерпретированы, особенно если это нейросеть.
В статье представлен пример реализации спектрального анализа функции на примере реальных данных. Этот математический метод позволяет провести более глубокий анализ изменения функции переменной во времени, найти периодические составляющие. Его применение способно существенно повлиять на результат предсказания целевой переменной, поскольку позволяет учитывать сезонные и другие периодические колебания.

На тему обработки timeseries (временной ряд, англ) написано множество статей и создано несчетное количество часов видео. Но, попробуйте задать поисковой системе вопрос: как работать с временными рядами. Уверен, вы закопаетесь в многообразии ссылок, похожих по смыслу и содержанию. Однако, ни одна из них не ответит на вопрос полностью.

Prophet — это библиотека с открытым исходным кодом от компании Facebook*. Она предназначена для прогнозирования временных рядов. По словам разработчиков (команды Core Data Science team) данный инструмент хорошо работает с рядами, которые имеют ярко выраженные сезонные эффекты, а также имеют несколько таких периодов. Prophet устойчив к отсутствию данных и достаточно хорошо справляется с выбросами. Библиотека […]

Data Scientist’ам помимо machine learning зачастую приходится использовать и традиционные методы анализа данных, такие как регрессия и прогнозирование. В данной статье вы узнаете, как с помощью библиотеки Python statsmodels построить модель ARIMA для анализа и прогнозирования временных рядов.