1. Общее знакомство 5

1.1. Создание объекта TSDataset 13

1.2. Визуализация рядов объекта TSDataset 17

1.3. Получение сводки характеристик по объекту TSDataset 18

2. Модель наивного прогноза 19

2.1. Один временной ряд 19

2.2. Несколько временных рядов 24

3. Модель скользящего среднего 27

3.1. Один временной ряд 27

3.2. Несколько временных рядов 30

4. Модель сезонного скользящего среднего 31

4.1. Один временной ряд 31

4.2. Несколько временных рядов 34

5. Модель SARIMAX 35

5.1. Один временной ряд 36

5.2. Несколько временных рядов 43

6. Модель Хольта-Винтерса (модель тройного экспоненциального сглаживания, модель ETS) 44

6.1. Один временной ряд 45

6.2. Несколько временных рядов 49

7. Модель Prophet 50

7.1. Один временной ряд 50

7.2. Несколько временных рядов 56

8. Модель CatBoost 62

8.1. Один временной ряд 62

8.2. Несколько временных рядов 82

9. Модель линейной регрессии с регуляризацией «эластичная сеть» 84

9.1. Один временной ряд 84

9.2. Несколько временных рядов 87

10. Объединение процедуры построения модели, оценки качества и визуализации прогнозов в одной функции 88

10.1. Один временной ряд 89

10.2. Несколько временных рядов 90

11. Перекрестная проверка нескольких моделей 91

11.1. Один временной ряд 91

11.2. Несколько временных рядов 93

12. Ансамбли 97

12.1. Один временной ряд 97

12.2. Несколько временных рядов 98

13. Стекинг 99

14. Создание собственных классов для обучения моделей 100

14.1. Использование функции train_and_evaluate_model() для быстрого построения базовых моделей 110

14.2. Ансамбли из собственных классов 115

15. Импутация пропусков 118

16. Работа с трендом и сезонностью 127

17. Обработка выбросов 147

18. Собираем все вместе 153

19. Инференс или применение сохраненного конвейера к новым данным 169

20. Модели нейронных сетей 176

21. Оптимизация гиперпараметров с помощью функции run_optuna() 190

22. Оптимизация гиперпараметров с помощью классов Tune и Auto 195

22.1. Оптимизация гиперпараметров внутри конвейера с помощью класса Tune 195

22.2. Оптимизация гиперпараметров разных конвейеров с помощью класса Auto 208

23. Задача Райффайзен Банка (8 временных рядов) 214

23.1. Описание задачи 214

23.2. Построение прогнозной модели для горизонта в 90 дней (на продажи в конкретном магазине не влияют продажи и рекламная активность остальных магазинов) 214

23.3. Оптимизация гиперпараметров модели с горизонтом в 90 дней (на продажи в конкретном магазине не влияют продажи и рекламная активность остальных магазинов) с помощью функции run_optuna() 232

23.4. Построение прогнозной модели для горизонта в 729 дней (на продажи в конкретном магазине не влияют продажи и рекламная активность остальных магазинов) 270

23.5. Сравнение прогнозных конвейеров, созданных вручную и с помощью ETNA 283

24. Задача Store Sales – Time Series Forecasting (1782 временных ряда) 318

24.1. Описание задачи 318

24.2. Добавление экзогенных переменных – регрессоров 320

24.3. Добавление экзогенных переменных – регрессоров и экзогенных переменных – не-регрессоров 328

25. Задача Store Item Demand Forecasting Challenge (500 временных рядов) 332

26. Отбор признаков (на примере задачи Store Item Demand Forecasting Challenge) 342

27. Иллюстрация экспресс-решения с помощью функций transform_etna_format(), train_and_evaluate_ model(), etna_cv_optimize() и класса Auto (на примере задачи NN5) 352

28. Кластеризация временных рядов 365

29. Классификация временных рядов 379

30. Анализ прогнозируемости 385

31. Создание Streamlit-приложений на основе моделей библиотеки ETNA 394

Пишем программный код приложения 394

Работа с приложением 416

Работа с экзогенными переменными 432

Развертывание приложения на платформе Streamlit Community Cloud 438

32. Прогнозирование иерархических временных рядов 441

32.1. Введение 441

32.2. Создание иерархического набора, получение информации об иерархической структуре вручную 445

32.3. Создание иерархического набора, получение информации об иерархической структуре автоматически с помощью метода .to_hierarchical_dataset() класса TSDataset 451

32.4. Подходы к прогнозированию иерархических временных рядов 456

32.5. Применение восходящего и нисходящего подходов в ETNA 460

32.6. Использование экзогенных переменных при прогнозировании иерархических временных рядов 471

Приобрести пост можно по адресу https://boosty.to/drains/posts/8b02f186-b785-403b-a371-7581b8929eab?share=post_link