Складчина Каталог
Мои курсы

Нейросети и временные ряды

6 участников
АВ Автор Александр Волков Школа Stepik

О чём курс

Александр Волков объединил в единую программу работу с фреймворком PyTorch и методы прогнозирования временных рядов: от классической статистики до глубокого обучения. Вы последовательно разберёте предварительную подготовку данных, поиск скрытых закономерностей, настройку классических алгоритмов и архитектур рекуррентных нейросетей.

О чём курс

Программа состоит из двух взаимосвязанных направлений. Первая часть направлена на практическое освоение библиотеки PyTorch: от базовых операций с тензорами и автоматического дифференцирования до построения многослойных перцептронов и свёрточных сетей. Вы научитесь писать пайплайны обучения, настраивать функции потерь с оптимизаторами и сохранять обученные веса моделей.

Вторая часть сосредоточена на анализе временных зависимостей. Здесь рассматривается полный цикл обработки последовательностей: выявление трендов, проверка данных на стационарность, декомпозиция шума и сезонных колебаний. Наряду со статистическими подходами разбирается применение классического машинного обучения и нейросетевых архитектур, способных улавливать долгосрочные зависимости. В конце программы выполняется прикладной проект по прогнозированию стоимости биткоина, объединяющий изученные подходы.

Что внутри

Материал распределён по тематическим блокам:

  • Инструменты PyTorch: синтаксис библиотеки, тензоры, вычисление градиентов, линейные модели, кастомные классы на базе модуля nn, организация загрузки данных через Dataset и DataLoader, аугментации и основы компьютерного зрения.
  • Подготовка и исследование рядов: чтение и очистка данных в Pandas и NumPy, визуализация в Matplotlib и Seaborn, статистические тесты Дики — Фуллера, KPSS и Филлипса — Перрона, а также STL-декомпозиция.
  • Классические статистические методы: скользящие средние, авторегрессия, модели семейств ARIMA и SARIMA, простое, двойное и тройное экспоненциальное сглаживание.
  • Модели машинного обучения: генерация временных признаков, настройка алгоритмов Random Forest, XGBoost и LightGBM для регрессионных задач на последовательностях.
  • Нейросетевые архитектуры: рекуррентные слои RNN, блоки LSTM и GRU для работы с длинными последовательностями, а также свёрточные темпоральные сети TCN.
  • Библиотека Prophet: конфигурация параметров, учёт праздников и сезонности, моделирование ошибок и оценка надёжности полученных прогнозов.
  • Обнаружение аномалий: выявление выбросов и нестандартных отклонений в числовых рядах статистическими методами.
  • Практический проект: сквозная задача по очистке исторических котировок криптовалюты, построению нескольких конкурирующих моделей (ARIMA, Prophet, LSTM) и сравнению точности их предсказаний.

Для кого

Программа рассчитана на следующие категории слушателей:

  • начинающие специалисты и выпускники технических направлений, формирующие портфолио для позиции младшего аналитика данных;
  • практикующие аналитики и дата-сайентисты, которым необходимо освоить специализированный инструментарий для прогнозирования бизнес-метрик;
  • специалисты отделов маркетинга, продаж и финансов, регулярно работающие с аналитическими отчётами и планированием показателей;
  • разработчики-самоучки, ищущие структурированный переход от базового синтаксиса к алгоритмам машинного обучения.

Требования к участникам

Для комфортного прохождения уроков потребуется базовое понимание языка Python, включая основные структуры данных, циклы и функции. Знакомство с элементами линейной алгебры и математической статистики поможет быстрее разобраться в формулах, однако предварительные глубокие знания в этих областях автор курса считает необязательными.

Программа обучения

Нейросети в PyTorch: быстрый старт с нуля Введение и настройка Что такое PyTorch и зачем он нужен Установка и настройка (локально и в Google Colab) Основы тензоров и автодифференцирование torch.Tensor: создание, типы, shape, операции Автоматическое дифференцирование: requires_grad, backward() и др. Линейные модели и градиентный спуск Ручной градиентный спуск Линейная регрессия с PyTorch Функции потерь и оптимизаторы (MSELoss, SGD) Тренировка и визуализация лосса Нейронные сети Что такое нейросети Многослойный перцептрон (nn.Sequential, nn.Module) Активации: ReLU, Sigmoid, Softmax Модель классификации + обучение Работа с данными Dataset и DataLoader Работа с CSV и изображениями Аугментации и трансформации (torchvision.transforms) Компьютерное зрение Введение в сверточные сети (CNN) Conv2d, MaxPool2d, Flatten Классификация на MNIST / CIFAR-10 Оценка и сохранение моделей model.eval(), torch.no_grad() torch.save, torch.load Обратная связь Анализ и прогнозирование временных рядов Введение в временные ряды Что такое временные ряды: определение и ключевые компоненты Задачи анализа временных рядов: прогноз, классификация, аномалии Обработка и визуализация временных рядов Чтение и загрузка временных рядов (Pandas, NumPy) Очистка и предобработка данных Визуализация временных рядов с Matplotlib и Seaborn Стационарность и преобразование временных рядов Определение стационарности временных рядов Тесты на стационарность: ADF, KPSS, PP и другие Преобразование временных рядов для стационарности Декомпозиция временных рядов Теория декомпозиции временных рядов: тренд, сезонность и шум Применение STL для декомпозиции временных рядов Классические модели для прогнозирования временных рядов Модели авторегрессии (AR), скользящего среднего (MA), ARMA и др. Применение ARIMA для прогнозирования Модели с сезонностью: SARIMA Прогнозирование с использованием экспоненциального сглаживания Что такое экспоненциальное сглаживание Прогнозирование с Simple, Double и Triple Exponential Smoothing Прогнозирование временных рядов с машинным обучением Использование ML для прогнозирования Выбор признаков и обработка временных зависимостей Применение моделей ML: Random Forest, XGBoost, LGBM Глубокое обучение для прогнозирования временных рядов Введение в нейронные сети для прогнозирования временных рядов Рекуррентные нейронные сети (RNN), LSTM и GRU Применение LSTM для долгосрочных зависимостей Продвинутое прогнозирование: Temporal Convolutional Networks Введение в Temporal Convolutional Networks (TCN) Построение моделей с TCN для прогнозирования временных рядов Прогнозирование временных рядов с использованием Prophet Введение в Prophet: особенности модели и её использование Прогнозирование с использованием Prophet для временных рядов Параметры модели и их настройка Оценка и улучшение точности прогнозов Техники для улучшения точности прогноза: моделирование ошибок Оценка стабильности и доверия к прогнозам Обнаружение аномалий и выбросов Что такое аномалии и выбросы в данных Методы обнаружения аномалий: статистические и др. Практические примеры на временных рядах Заключительный проект: прогнозирование курса биткоина Построение проекта по прогнозированию курса биткоина Анализ и очистка данных Применение методов прогнозирования (ARIMA, LSTM, Prophet и др.) Оценка качества прогноза и выводы Обратная связь

Складчина создана 21 марта 2026 г. · описание обновлено 25 октября 2026 г.

Теги курса

Профессии
Аналитик данныхАналитик
Навыки
АналитикаНейросети
Инструменты
PythonPyTorchИИ

Другие материалы автора 4

АВ Александр Волков Все материалы
S Start Fitness Pack. Похудение для девушек 200 ₽ 730 ₽ −73%S Start Fitness Pack. Похудение для парней 82 ₽ 730 ₽ −89%Тантра: искусство гармоничной сексуальности Тантра: искусство гармоничной сексуальности 900 ₽ 4 900 ₽ −82%Визуализация с Matplotlib для анализа данных Визуализация с Matplotlib для анализа данных 415 ₽ 590 ₽ −30%

Ещё интересные курсы 12

Ещё интересные курсы

926 ₽ 3 490 ₽