Python code, visualizations, and other materials related to time series processing
Данный репозиторий это сборник материалов по теме "Автоматическое машинное обучение для обработки временных рядов"
Основная задумка: про AutoML трудно рассказывать в отрыве от атомарных компонентов (предобработок и моделей), на которых строятся методы и (open-source) фреймворки. Поэтому в данном репозитории нарратив строится вокруг последовательного усложнения "взгляда" на концепцию временных рядов. Затем рассматриваются предобработки безотносительно решаемой задачи. И уже после этого с постепенным усложнением обсуждаются модели для задачи (например, прогнозирования).
Ядро для повествования представляет собой набор jupyter notebooks:
/notebooks/1_time_series_exploration.ipynb- обсуждение трех взглядов на временные ряды. Рассматриваются свойства временных рядов, стационарность / нестационарность, методы визуализации/notebooks/2_ts_preprocessing.ipynb- методы предобработки/notebooks/3_ts_forecasting.ipynb- прогнозирование: AR, MA, ARMA, ARIMA, SARIMA, pmdarima, AutoTS, FEDOT
Имейте в виду, что интерактивные ipywidgets элементы в тетрадках при просмотре через браузер не рендерятся. Чтобы их увидеть, запустите локально следуя инструкциям ниже
Чтобы запустить тетрадки:
- Склонируйте репозиторий
- Убедитесь что у вас установлен Python 3.10 и poetry
- Команда в терминале из корня репозитрия
poetry install - Команда в терминале из корня репозитрия
jupyter lab
- Бурнашев Р. А., Арабов М. К., Миссаров М. Д. — Анализ и прогнозирование временных рядов: путь от классики к современным решениям
- Эйлин Нильсен — Практический анализ временных рядов. Прогнозирование со статистикой и машинным обучением
- medium: How to Find Seasonality Patterns in Time Series (member-only story)
- medium: How can we quantify similarity between time series?
- medium: From Default Python Line Chart to Journal-Quality Infographics
- medium: Real-Time Time Series Anomaly Detection
TODO: add after finalizing materials
TODO: add after finalizing materials
