Guest
ИИИ Спортивный анализ данных - - Прогнозирование и временные ряды конспект от YandexGPT 00:03 Расписание зачетов • В видео обсуждается расписание зачетов и консультаций для студентов. • Упоминается, что некоторые студенты могут рассчитывать на зачет автоматом, если они выполнили все работы. 03:26 Прогнозирование и временные ряды • В видео обсуждаются различные подходы к прогнозированию, включая нейронные сети и простые методы. • Упоминается, что прогнозирование может быть сложным, особенно в случае прогнозирования на бирже или в других финансовых рынках. 10:03 Классификация методов прогнозирования • В видео приводится классификация методов прогнозирования, включая статистические методы, экспертную оценку, моделирование и интуитивные методы. • Упоминается, что в некоторых случаях эксперты могут давать более точные прогнозы, чем математические модели. 12:53 Временные ряды и их особенности • Временные ряды - упорядоченные во времени данные, где каждая точка данных имеет одинаковый временной промежуток. • Временные ряды могут быть использованы для прогнозирования, но только если они упорядочены и имеют одинаковую частоту. 18:09 Простейшие методы прогнозирования • Скользящее среднее - простой метод, который сглаживает данные и предсказывает среднее значение за последние три дня. • Экспоненциальное сглаживание - метод, который учитывает вес каждого дня и предсказывает следующую запись на основе предыдущих. 26:07 Методы, учитывающие тренд и сезонность • Методы, которые учитывают тренд и сезонность, такие как экспоненциальное сглаживание и прогноз, могут быть более точными, но требуют больше данных и времени для обучения. 28:19 Прогнозирование с помощью профета • В видео обсуждается использование профета для прогнозирования временных рядов. • Создается датасет с данными, которые будут использоваться для прогнозирования. • Затем профет применяется к данным для прогнозирования на один день вперед. 34:01 Создание датасета и обучение модели • Создается датасет, включающий временной ряд и текстовые данные. • Обсуждаются вопросы о том, на какую глубину назад данные могут влиять на прогноз и на сколько дней вперед нужно прогнозировать. • Создается модель с использованием рекуррентной сети для прогнозирования на один день. 40:36 Разметка данных и обучение модели • Создается датасет с использованием функции для автоматической разметки данных. • Модель обучается на начальном этапе и затем используется для прогнозирования. • Обсуждаются различные варианты обрезки данных для создания датасета и обучения модели. 42:51 Обучение модели на временных рядах • В видео обсуждается обучение модели на временных рядах, где данные представлены в виде временных рядов. • Модель использует LSTM слой и Den слой для прогнозирования. • Модель обучается на данных с использованием MSE и проверяется на валидационном наборе. 45:30 Применение модели на реальных данных • Модель применяется на реальных данных, где данные представляют собой расход электроэнергии на предприятии. • Данные разбиваются на временные интервалы, и модель обучается на этих данных. • Модель также обучается на данных с использованием различных фичей, таких как лаги во времени и скользящие окна. 51:50 Оценка качества модели • Модель оценивается на валидационном наборе, и результаты сравниваются с другими моделями. • В целом, модель показывает среднее качество, но может быть улучшена путем добавления дополнительных фичей и изменения гиперпараметров. 58:48 Обучение модели на временных рядах • В видео обсуждается обучение модели на временных рядах с использованием различных алгоритмов, включая градиентный бустинг, профет и нейронные сети. • Отмечается, что профет является оптимальным выбором для быстрого получения начального результата, который позволяет оценить способность модели прогнозировать временной ряд. 01:01:51 Помещаем профет в нейронную сеть • В видео демонстрируется, как поместить профет в нейронную сеть, используя только временные ряды и без дополнительных фичей. • Обсуждаются возможные проблемы с обучением модели и способы их решения. 01:07:15 Использование дополнительных фичей • В видео предлагается использовать дополнительные фичи, такие как Last Week Target, Last Year Target и т.д., для улучшения качества прогнозирования. • Обсуждается, как эти фичи могут быть использованы в модели и как они влияют на обучение.
