Мечтаешь разбираться в данных глубже и применять нейросети для прогнозов? Этот пакет даст тебе всё необходимое: от изучения методов анализа временных рядов до построения собственных моделей в PyTorch. Ты научишься выявлять закономерности, работать с трендами и сезонностью, создавать предсказательные модели и понимать их математическую основу. С этим курсом ты получишь навыки, которые ценят работодатели, и сделаешь уверенный шаг в карьеру в Data Science. 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
