Курсы

Курсы в разработке Подготовительные курсы
Работа в компаниях Компаниям Блог +7 499 110-61-65

Анализ и прогнозирование временных рядов

DS_Deep_14.12_site-5020-829ba6.png

Анализ временных рядов — тема, достойная отдельного освещения в рамках изучения Data Science. К сожалению, ей уделено мало места в стандартных программах ВУЗов, зато она повсеместно встречается на практике. Именно поэтому на курсе «Data Scientist» в OTUS анализу временных рядов посвящена отдельная лекция, состоящая из двух академических часов.

Что такое временной ряд?

К временному ряду можно отнести любой процесс, который так или иначе выдаёт свои характеристики в развёртке времени, то есть речь идёт о данных, последовательно измеренных через некоторые промежутки.

Простой пример временного ряда — летательный объект, который посылает свои координаты на средства локации. К временным рядам относят и статистические данные о продажах, посещаемости и других процессах, рассматриваемых в определённом срезе дней/часов/минут.

Типовые задачи и способы их решения

Анализ и прогнозирование временных рядов позволяет решать задачи разной степени важности и в расширенном спектре областей. В частности, временные ряды анализируют в следующих целях: — прогнозирование продаж на ближайший год и планирование логистики магазина на основании истории объёмов продаж за предыдущий год; — прогнозирование нагрузки на серверы многопользовательской онлайн-игры на основании статистики увеличения количества посетителей; — планирование производства каких-нибудь товаров на основании спроса за предыдущие периоды; — составление годового прогноза землетрясений мощностью 7 баллов с учётом сейсмической активности за последние 50 лет и многое другое.

Основные подходы к решению задач

На текущий момент выделяют два глобальных подхода, позволяющих решать задачи, где данные представлены в виде временных рядов: 1. В классическом случае мы строим модель процесса и пытаемся математически аппроксимировать этот процесс. 2. Используя второй подход, мы не рассматриваем процесс во времени в чистом виде, а переходим к векторам признаков.

Кроме того, возможно комбинирование методов в виде ансамблей (блендинг, стекинг).

Подробнее ознакомиться с подходами к решению задач вы сможете в рамках курса «Data Scientist». Будем рады видеть вас в числе студентов!

Не пропустите новые полезные статьи!

Спасибо за подписку!

Мы отправили вам письмо для подтверждения вашего email.
С уважением, OTUS!

Автор
0 комментариев
Для комментирования необходимо авторизоваться