[Stepik] [Александр Волков]

[SlivInfoKurs]

чина:


Описание:
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

1. Что такое PyTorch и зачем он нужен
2. Установка и настройка (локально и в Google Colab)

Основы тензоров и автодифференцирование

1. torch.Tensor: создание, типы, shape, операции
2. Автоматическое дифференцирование: requires_grad, backward() и др.

Линейные модели и градиентный спуск

1. Ручной градиентный спуск
2. Линейная регрессия с PyTorch
3. Функции потерь и оптимизаторы (MSELoss, SGD)
4. Тренировка и визуализация лосса

Нейронные сети

1. Что такое нейросети
2. Многослойный перцептрон (nn.Sequential, nn.Module)
3. Активации: ReLU, Sigmoid, Softmax
4. Модель классификации + обучение

Работа с данными

1. Dataset и DataLoader
2. Работа с CSV и изображениями
3. Аугментации и трансформации (torchvision.transforms)

Компьютерное зрение

1. Введение в сверточные сети (CNN)
2. Conv2d, MaxPool2d, Flatten
3. Классификация на MNIST / CIFAR-10

Оценка и сохранение моделей

1. model.eval(), torch.no_grad()
2. torch.save, torch.load
3. Обратная связь

Анализ и прогнозирование временных рядов
Введение в временные ряды

1. Что такое временные ряды: определение и ключевые компоненты
2. Задачи анализа временных рядов: прогноз, классификация, аномалии

Обработка и визуализация временных рядов

1. Чтение и загрузка временных рядов (Pandas, NumPy)
2. Очистка и предобработка данных
3. Визуализация временных рядов с Matplotlib и Seaborn

Стационарность и преобразование временных рядов

1. Определение стационарности временных рядов
2. Тесты на стационарность: ADF, KPSS, PP и другие
3. Преобразование временных рядов для стационарности

Декомпозиция временных рядов

1. Теория декомпозиции временных рядов: тренд, сезонность и шум
2. Применение STL для декомпозиции временных рядов

Классические модели для прогнозирования временных рядов

1. Модели авторегрессии (AR), скользящего среднего (MA), ARMA и др.
2. Применение ARIMA для прогнозирования
3. Модели с сезонностью: SARIMA

Прогнозирование с использованием экспоненциального сглаживания

1. Что такое экспоненциальное сглаживание
2. Прогнозирование с Simple, Double и Triple Exponential Smoothing

Прогнозирование временных рядов с машинным обучением

1. Использование ML для прогнозирования
2. Выбор признаков и обработка временных зависимостей
3. Применение моделей ML: Random Forest, XGBoost, LGBM

Глубокое обучение для прогнозирования временных рядов

1. Введение в нейронные сети для прогнозирования временных рядов
2. Рекуррентные нейронные сети (RNN), LSTM и GRU
3. Применение LSTM для долгосрочных зависимостей

Продвинутое прогнозирование: Temporal Convolutional Networks

1. Введение в Temporal Convolutional Networks (TCN)
2. Построение моделей с TCN для прогнозирования временных рядов

Прогнозирование временных рядов с использованием Prophet

1. Введение в Prophet: особенности модели и её использование
2. Прогнозирование с использованием Prophet для временных рядов
3. Параметры модели и их настройка

Оценка и улучшение точности прогнозов

1. Техники для улучшения точности прогноза: моделирование ошибок
2. Оценка стабильности и доверия к прогнозам

Обнаружение аномалий и выбросов

1. Что такое аномалии и выбросы в данных
2. Методы обнаружения аномалий: статистические и др.
3. Практические примеры на временных рядах

Заключительный проект: прогнозирование курса биткоина

1. Построение проекта по прогнозированию курса биткоина
2. Анализ и очистка данных
3. Применение методов прогнозирования (ARIMA, LSTM, Prophet и др.)
4. Оценка качества прогноза и выводы
5. Обратная связь

Цена 3490 руб.
Скрытая ссылка

Этот курс появится в скором времени на форуме kursstore.com Проверьте по поиску форума, возможно данный курс уже слит.

​