Guest
00:12 Задачи классификации временных рядов • В видео обсуждаются задачи классификации временных рядов, которые включают определение наличия инфаркта или нормального сердцебиения, определение режимов сна, обнаружение человека с оружием или металлическим предметом, а также идентификацию устройств в сети. • Эти задачи относятся к медицинской диагностике, кибербезопасности и информационно-кибернетическим системам. 09:19 Методы классификации временных рядов • В видео обсуждаются два подхода к классификации временных рядов: на основе сегментов данных и на основе признаков. • Первый подход подразумевает анализ полного сегмента данных, а второй - выделение признаков из сегмента и преобразование их в таблицу. • Отличие этих подходов заключается в том, что первый подход избыточен с точки зрения хранения данных и вычислительных ресурсов, но позволяет получить всю информацию о классе. • Второй подход позволяет выделить интерпретируемые признаки, но не всегда ясно, какие признаки нужны и сколько их может быть. 14:00 Методы классификации временных рядов • В видео обсуждаются различные методы классификации временных рядов, включая методы на основе признаков и модификации известных методов машинного обучения. • Упоминаются такие методы, как случайный лес и xg Boost, которые также хорошо работают на признаках. 23:50 Интервальные оценки и поиск интервалов • В видео обсуждаются интервальные оценки, которые позволяют выбрать сегмент данных для классификации. • Интервальные оценки могут быть случайными, оправданными с точки зрения задачи или подбираться в ходе оптимизации алгоритма. • Один из основных методов поиска интервалов - поиск так называемых “летов плет“, которые наиболее характеризуют каждый класс. 30:09 Признаки временных рядов • В видео обсуждаются различные признаки временных рядов, включая описательные статистики, временные параметры, спектральные параметры и время частотные показатели. • Признаки могут быть весьма разными и зависят от задачи классификации. 32:03 Классификация временных рядов • Автор выделяет три типа признаков для классификации временных рядов: точечные, векторные и многомерные. • Обсуждаются стратегии выбора признаков, включая использование стандартных фреймворков и специализированных подходов. 34:35 Выделение признаков • Автор обсуждает различные подходы к выделению признаков, включая использование стандартных фреймворков, таких как XGBoost и метод опорных векторов, а также специализированных версий, таких как лес временных рядов и его модификация. • Упоминается алгоритм “Уловка 22“, который выделяет 22 признака для каждого интервала временного ряда. 44:47 Обнаружение аномалий • Автор обсуждает задачу обнаружения аномалий в данных, которая является важной в приложениях информационной безопасности и других областях. • Упоминаются продолжительные аномалии, которые могут возникать в данных временных рядов, и особые требования к их обнаружению. • Автор подчеркивает, что обнаружение аномалий должно быть интерпретировано и, возможно, устранено, прежде чем принимать решение о том, является ли аномалия реальной. 47:38 Обнаружение аномалий во временных рядах • Видео обсуждает методы обнаружения аномалий во временных рядах, включая контролируемые, полуконтролируемые и неконтролируемые методы. • Контролируемые методы включают использование порогов и ошибок предсказания для обнаружения аномалий. • Полуконтролируемые методы используют обучение на классе “норма“ и “аномалия“ для обнаружения аномалий. 52:24 Использование глубоких нейронных сетей, таких как рекуррентные и трансформеры, для обнаружения аномалий во временных рядах. • Приводится пример использования одномерных сверточных нейронных сетей для классификации временных рядов. 57:37 Классификация временных рядов на примере набора данных потребления электроэнергии в Германии. • Задача заключается в определении времени года на основе сегментов временного ряда. • Используются классические методы, такие как табличные методы и методы на основе соседей, для классификации. 01:04:33 Различные методы анализа временных рядов, включая поиск повторяющихся паттернов и классификацию временных рядов. • Модификация Т, использующая численные производные, показывает высокую точность. • Поиск повторяющихся паттернов может быть полезен для классификации временных рядов. 01:07:13 Классификация временных рядов на основе признаков, включая классификатор на основе случайных ядер. • Точность классификаторов на основе признаков может быть сравнима с точностью классификаторов на основе словарей. 01:10:46 Работа с глубокими нейронными сетями для анализа временных рядов. • Сравнение различных архитектур и гиперпараметров может помочь определить наиболее подходящую архитектуру для конкретной задачи. 01:16:52 Заключение • Важность изучения различных методов анализа временных рядов для решения раз
