[Stepik] Нейросети и временные ряды (Александр Волков)

Чему вы научитесь

Анализировать временные ряды и выявлять тренды, сезонность и аномалии
Применять классические методы прогнозирования (ARIMA, Prophet и др.)
Работать с PyTorch и создавать свои первые нейросети
Строить и обучать модели RNN и LSTM для временных рядов
Подготавливать данные к моделированию и оценивать качество прогнозов
Сравнивать подходы и выбирать оптимальные решения для задач анализа данных
Разрабатывать проекты, которые можно добавить в портфолио

Курс 1: Анализ и прогнозирование временных рядов

Методы анализа временных рядов
Поиск трендов, сезонности и выбросов
Построение моделей прогнозирования (ARIMA, Prophet и др.)
Подготовку временных рядов к обучению нейросетей

Кому подойдёт: аналитикам и дата-сайентистам, которые хотят научиться прогнозировать данные и решать реальные бизнес-задачи.

Курс 2: PyTorch с Нуля до Первой Нейросети

Основы работы с PyTorch
Создание своей первой нейросети
Обучение и оптимизацию моделей
Использование PyTorch для задач анализа данных и временных рядов

Кому подойдёт: тем, кто хочет уверенно войти в мир глубокого обучения и научиться строить модели на практике.

Почему это выгодно:

Сэкономите десятки часов на поиске разрозненных материалов
Получите комплексную подготовку по всем ключевым темам
Научитесь применять знания сразу — без лишней теории
Подготовитесь к реальной работе в индустрии

Для кого эта программа

• Для студентов и выпускников, желающих получить прикладные навыки
• Для тех, кто готовится к собеседованиям на позицию аналитика
• Для тех, кто хочет войти в Data Science без воды и лишней теории
• Для специалистов из маркетинга, продаж, финансов, которые хотят разобраться в данных
• Для самоучек, которым нужна структура и практика

Начальные требования

Базовые знания Python
Знакомство с основами статистики и алгебры желательно, но не обязательно
Всё остальное — изучите в процессе

Содержание:

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