Временные ряды. Часть 4

В этом заключительном видео мы изучаем разные подходы к прогнозированию временных рядов, включая линейную регрессию, случайный лес, Prophet и нейронные сети (LSTM). Рассматриваются их особенности, преимущества и ограничения. Мы анализируем, почему простые модели иногда превосходят более сложные, и оцениваем точность каждой модели на основе метрик MAE, RMSE и MAPE. Видео завершается сравнением всех методов и обсуждением подходящих сценариев их использования.
Ссылка на блокнот:
colab.research...
Датасет births:
drive.google.c...
Датасет passengers:
drive.google.c...
Ключевые слова: временные ряды, Prophet, LSTM, прогнозирование, сезонность, тренд, ARIMA, машинное обучение, прогноз временных рядов, линейная регрессия, Random Forest, Python.
По вопросам обучения на курсах по технологиям Big Data, Kafka, Spark, Greenplum, AirFlow, NiFI, Hadoop, Data Science, нейронных сетей и машинного обучения приглашаем в нашу "Школу Больших Данных"
bigdataschool.ru
Обращаться по телефону:
[phone]
[phone]
Чтобы не пропустить информацию о новых курсах, акциях и других событиях Школы Больших Данных, рекомендуем подписаться на нас в социальных сетях:
Телеграм-канал: t.me/BigDataSc...
Вконтакте: bdschoo...
Github: github.com/Big...
LinkedIn: / bigdataschoolru
Подписывайтесь и будьте в курсе всех интересных новинок мира Big Data вместе со Школой больших данных - www.bigdatasch...