Современные модели прогнозирования - TimesNet, TimeGPT и новое поколение моделей временных рядов

Классические модели прогнозирования уже не справляются с современными задачами? На этом уроке вы познакомитесь с новым поколением моделей для работы с временными рядами, которые используют глубокое обучение и большие языковые модели для получения более точных прогнозов. 📍 Программа вебинара: Обзор современных моделей прогнозирования: разберем TimesNet, TimeGPT и другие актуальные подходы, их преимущества и области применения. Сравнение с классическими методами: посмотрим, чем современные модели отличаются от ARIMA, Prophet, XGBoost и LSTM и в каких задачах они показывают лучшие результаты. Практическая демонстрация: построим прогноз временного ряда с использованием современной модели и сравним качество с традиционными подходами. 👥 Кому будет полезен вебинар? Data Scientists, работающим с прогнозированием временных рядов. ML-инженерам, которые хотят использовать современные архитектуры в своих проектах. Аналитикам и исследователям, решающим задачи прогнозирования спроса, финансовых показателей, IoT-данных и производственных процессов. ✅ В результате вебинара вы: Какие современные архитектуры сегодня используются для прогнозирования временных рядов. В чем особенности моделей TimesNet, TimeGPT и фундаментальных моделей временных рядов. Как быстро начать использовать современные модели в своих проектах на Python. Узнайте, как современные модели меняют подход к прогнозированию временных рядов, и научитесь применять передовые технологии в реальных задачах машинного обучения «Машинное обучение. Экспертный уровень» - https://otus.pw/SbeS/ Преподаватель: Игорь Стурейко - (к.ф.-м.н.) Teamlead, главный инженер в FinTech Пройдите опрос по итогам мероприятия - https://otus.pw/7nKgh/ Следите за новостями проекта: → Хабр: https://otus.pw/S0nM/ → Макс: https://otus.pw/wVga/