imported>Mmustafaeva: Migrated current public revision from wiki.cs.hse.ru

2026-03-25T21:04:14Z

Migrated current public revision from wiki.cs.hse.ru

Новая страница

==О курсе==

Занятия проводятся в [https://us06web.zoom.us/j/85663799238?pwd=biCjFwEu26MMndIAnTXAISsoadsWiy.1 Zoom] '''по четвергам в 18:10'''. При переносе занятия проводятся в [https://us06web.zoom.us/j/81797715610?pwd=Zi4SvZA0BdfjyaR6SnAWTttkF1MFbo.1 Zoom] '''по понедельникам в 18:10'''.

==Контакты==

Канал курса в TG: https://t.me/c/3194229958/10

Чат курса в TG: https://t.me/c/3194229958/1

Преподаватели: Алина Костромина (@elineii), Азиз Темирханов (@MrDredD).

{| class="wikitable"
|-
! Ассистент !! Контакты
|-
| style="background:#eaecf0;" | Саламашенкова Дарья || @salamashenkovadasha
|-
| style="background:#eaecf0;" | Родионов Никита || @white_shpengler
|-
| style="background:#eaecf0;" | Чуйкин Никита || @darcy_tremor
|-
| style="background:#eaecf0;" | Журович Яна || @janinaal
|-
| style="background:#eaecf0;" | Демиденко Никита || @kalxon
|-
| style="background:#eaecf0;" | Анастасия Струнова || @bloodaggie
|}

==Материалы курса==
Ссылка на плейлист курса на YouTube: [https://www.youtube.com/playlist?list=PLmA-1xX7IuzDK0OSCArxNjG_VDuYOXxTs YouTube-playlist]

Ссылка на плейлист курса в VK: [https://vkvideo.ru/playlist/-227011779_60 VK-playlist]

GitHub репозиторий: https://github.com/elineii/HSE-Time-Series-2025

{| class="wikitable"
|-
! Занятие !! Тема !! Дата
|-
| style="background:#eaecf0;" | '''1''' [https://www.youtube.com/watch?v=J0SpCNr6LXI&list=PLmA-1xX7IuzDK0OSCArxNjG_VDuYOXxTs&index=2&pp=iAQB Запись] || Введение, EDA, предобработка, метрики, валидация || 13.11.2025
|-
| style="background:#eaecf0;" | '''2''' [https://www.youtube.com/watch?v=Xugsz45cVsg&list=PLmA-1xX7IuzDK0OSCArxNjG_VDuYOXxTs&index=1&pp=iAQB Запись] || Практика. EDA, метрики, STL-разложение || 24.11.2025
|-
| style="background:#eaecf0;" | '''3''' [https://www.youtube.com/watch?v=mLf6cPZBapc&list=PLmA-1xX7IuzDK0OSCArxNjG_VDuYOXxTs&index=2&pp=iAQB Запись] || Модели экспоненциального сглаживания. ETS-модели || 27.11.2025
|-
| style="background:#eaecf0;" | '''4''' [https://www.youtube.com/watch?v=R-9yKew7Gnw&list=PLmA-1xX7IuzDK0OSCArxNjG_VDuYOXxTs&index=1&pp=iAQB Запись] || Стационарность. ACF, PACF. SARIMA(X)-модели || 01.12.2025 ||
|-
| style="background:#eaecf0;" | '''5''' [https://youtu.be/Wx-QqvwaXQY?si=h7LaFItLLSRjNZfQ Запись] || Автоподбор спецификаций, анализ прогнозов и остатков, многомерные ряды || 04.12.2025
|-
| style="background:#eaecf0;" | '''6''' [https://youtu.be/V8az9zNIDQo?si=RV-v3VkYidhfq-bK Запись] || Практика. Перевод задачи прогнозирования в задачу машинного обучения. Feature eng. Глобальные модели || 11.12.2025
|-
| Конец первого модуля |
|-
| style="background:#eaecf0;" | '''7''' [https://youtu.be/dWX5A7VlTpg?si=GUwH1I399xfv_9cw Запись] || Практика. Стратегии многомерного и многошагового прогнозирования || 22.01.2026 ||
|-
| style="background:#eaecf0;" | '''8''' [https://youtu.be/jOkoumxmNzI?si=M0CmwM76T4besvDp Запись] || Нейронные сети для прогнозирования временных рядов. RNN, LSTM. Специализированные Dlinear, CycleNet || 29.01.2026 ||
|-
| style="background:#eaecf0;" | '''9''' [https://youtu.be/Xjiwx1acwj4?si=LnR39R345SWXP_vN Запись] || Нейронные сети для прогнозирования временных рядов. CNN. Специализированные DeepAR, WaveNet, TCN, LSTNet, xLST || 05.02.2026 ||
|-
| style="background:#eaecf0;" | '''10''' [https://youtu.be/YgNbycOQIC0?si=5AESDQ5MrKtu62DJ Запись] || Нейронные сети для прогнозирования временных рядов. Transformer. Специализированные TFT, Informer, Autoformer, FEDformer, PatchTST, iTransformer. Фундаментальные модели LLMTime, Chronos, TimesFM, Moirai, Moirai-MOE|| 12.02.2026 ||
|-
| style="background:#eaecf0;" | '''11''' [https://youtu.be/bV70Y1NfhXg?si=xNnzJX1S-ZwuXrFH Запись] || Практика. Нейронные сети для прогнозирования временных рядов. Практические советы по обучению и отладке. Сравнение моделей || 26.02.2026 ||
|-
| style="background:#eaecf0;" | '''12''' [https://youtu.be/tDDoH3swecw?si=2N3iKvYF01kVdT1_ Запись] || Генеративные модели || 05.03.2026 ||
|-
| style="background:#eaecf0;" | '''13''' [[ Запись]] || Бонусные темы. ML & DL || 12.03.2026 ||
|}

=== Заметки "после лекций" ===
'''Лекция 2:'''

Могла возникнуть путаница относительно того, какая симметрия есть у метрики SMAPE, а какой — нет.

'''Есть симметрия при перестановке реального значения y и прогноза y^''': SMAPE(y, y^) = SMAPE(y^, y).

{| class="wikitable"
|-
! y !! y^ !! MAPE !! SMAPE
|-
| 100 || 110 || 10% || 9.52%
|-
| 110 || 100 || 9.09% || 9.52%
|}

'''Есть симметрия при перепрогнозе и недопрогнозе в одинаковое количество раз k != 0 при одинаковом знаке y и y^''': SMAPE(y, y * k) = SMAPE(y, y / k).

{| class="wikitable"
|-
! y !! y^ !! MAPE !! SMAPE
|-
| 100 || 200 || 100% || 66.67%
|-
| 100 || 50 || 50% || 66.67%
|}

'''В общем случае нет симметрии при перепрогнозе и недопрогнозе на одинаковое количество единиц измерения e''': SMAPE(y, y + e) != SMAPE(y, y - e).

{| class="wikitable"
|-
! y !! y^ !! MAPE !! SMAPE
|-
| 100 || 120 || 20% || 18.18%
|-
| 100 || 80 || 20% || 22.22%
|}

Видно при этом, что MAPE симметричен только в третьем случае.

'''Лекция 3:'''

Подробнее про фундаментальные модели для временных рядов: [https://mlgu.ru/2709/?utm_source=google&utm_medium=organic ссылка]. Полноценная лекция по ним будет позже.

'''Лекция 4:'''
* Подробнее про урвнения Юла-Уокера (о том, как оценивать значения PACF): [https://didattica.unibocconi.it/mypage/dwload.php?nomefile=Lectures_2-3_notes_final20180308013455.pdf более понятно, но на аглийском], [https://sun.tsu.ru/mminfo/2016/Dombrovski/book/chapter-5/chapter-5-4.htm на русском]

* Почему PACF для MA выглядит именно так: есть интуиция, до которой мы сначала не дошли, а потом было уже слишком поздно возвращаться — это условие инвертируемости (MA можно представить как AR(∞)). Для AR мы успешно посмотрели, как формируется PACF и почему для него есть резкий обрыв. Теперь представьте, что если при AR(2) будет обрыв на 2-м лаге, то при AR(∞) будет постепенное затухание.

* Как в тесте KPSS проверяется стационарность ряда, если мы явно выносим тренд: В KPSS проверяется unit root (то есть наличие случайного тренда), а линейный тренд обычно выносится a + bt.

* [https://www.statsmodels.org/dev/examples/notebooks/generated/stationarity_detrending_adf_kpss.html Как соотносятся тесты KPSS и ADF со стандартными параметрами]

# Оба теста показывают, что ряд не является стационарным — ряд не является стационарным
# Оба теста показывают, что ряд является стационарным — ряд является стационарным
# KPSS (ПРИ УЧЕТЕ ТРЕНДА — т. е. как было у нас a + bt) указывает на стационарность, а ADF — на нестационарность — ряд является трендовым стационарным. Для того чтобы сделать ряд строго стационарным, необходимо удалить тренд. Детрендированный ряд проверяется на стационарность.
# KPSS указывает на нестационарность, а ADF — на стационарность — ряд является дифференциально стационарным. Для приведения ряда в стационарное состояние необходимо использовать дифференцирование. Дифференцированный ряд проверяется на стационарность.

* Я перепутала эксцесс (4-й момент) со скошенностью (3-й момент): То, что я пыталась показать с распределением Лапласа хорошо показано [https://ru.wikipedia.org/wiki/Коэффициент_эксцесса тут]. А [https://ru.wikipedia.org/wiki/Коэффициент_асимметрии скошенность] — это просто смещение горба распределения (но это тоже пример момента наряду с мат. ожиданием и дисперсией).

'''Лекция 6:'''

К сожалению, к нам в код закралась ошибка с отсутствием shift() при формировании признаков log, и diff от исходного ряда, что привело к утечке целевой переменной в признаки. Обратите внимание на то, как это исправлено в ноутбуке в репозитории (и в начале 7-й лекции, если вы смотрите записи лекций). Давайте постараемся, чтобы эта досадная ошибка ни у кого из нас не вышла за пределы наших занятий и не появилась в боевой задаче :)

'''Лекция 11:'''

Было довольно много дополнительных материалов, которые мы рассматривали на лекции. Приводим их:

* https://huggingface.co/spaces/Salesforce/GIFT-Eval — бенчмарк GIFT-Eval, где можно посмотреть ранжирование моделей по множеству фильтров.
* https://arxiv.org/abs/2410.10393 — статья про GIFT-Eval.
* https://github.com/Nixtla/neuralforecast — репозиторий от Nixtla, где можно запустить нейронные сети для прогнозирования TS из интерфейса, схожего с statsforecast.
* https://github.com/thuml/Time-Series-Library — репозиторий от авторов TimesNet, где менее удобный запуск, но доступно больше моделей.
* https://github.com/sb-ai-lab/tsururu — библиотека от нашей команды также поддерживает запуск нейронных сетей в разных стратегиях (Пример — https://www.kaggle.com/code/elineii/tsururu-demo).
* https://github.com/amazon-science/chronos-forecasting — репозиторий одной из самых известных фундаментальных моделей, которые вы можете опробовать на своих задачах (другие можно найти в GIFT-Eval).
* https://cs.hse.ru/mirror/pubs/share/1017921910.pdf — материалы с другого доклады от нашей команды, часть из которых мы показывали на лекции, когда говорили про проблемы статей и про запуск и результаты фундаментальных моделей.

==Формула оценивания==

<big>'''Итог''' = Округление(0.5 * ДЗ + 0.1 * Тесты + 0.2 * Проект + 0.2 * Э),</big>

* ДЗ — средняя оценка за все домашние задания,
* Тесты — оценка за тесты после группы объединенных одной темой лекций,
* Э — оценка за экзамен.

Округление арифметическое.

'''Автомат:'''
Определим накопленную оценку как Накоп = MIN(10, Округление((0.5 * ДЗ + 0.1 * Тесты + 0.2 * Проект) / 0.8)).

Если среднее по каждому из элементов Накопа >=8, то студент может получить Накоп в качестве итоговой оценки, не приходя на экзамен.

== Домашние задания ==
* ДЗ1. Выдается после лекции 3. Дедлайн через 14 дней.
ДЗ посвящено построению end-to-end пайплайна прогнозирования от EDA,
предобработки ряда до сравнения
между собой нескольких классических
моделей из изучаемых на лекциях.

Первое домашнее задание уже ждет, когда вы его начнете решать: https://github.com/elineii/HSE-Time-Series-2025/blob/main/HW_1/HW_1__unsolved.ipynb

'''Срок сдачи: 16.12.2025 23:59 MSK'''

* ДЗ2. Выдается после Лекции 6. Дедлайн через 14 дней.
ДЗ посвящено
построению признаков и применению
градиентного бустинга для решения
задачи прогнозирования многомерного
временного ряда.

* ДЗ3. Выдается после Лекции 9. Дедлайн через 14 дней.
ДЗ посвящено
применению и модификации изучаемых
DL подходов для решения задачи
прогнозирования многомерного
временного ряда.

* Проект! Выдается после Лекции 11. Дедлайн через 14 дней.
Проект посвящен
проверке исследовательской гипотезы,
которая расширяет рассматриваемые на занятиях темы ЛИБО end-to-end решения боевой задачи анализа TS.

== Тесты ==
* Тест 1 (Введение и классические модели). Выдан после Лекции 5.

https://forms.yandex.ru/u/6931633f9029027681970280

В каждом вопросе может быть от 1 до 4 (включительно) правильных вариантов ответа.

'''Срок сдачи: 14.12 23:59'''

== Литература (будет пополняться) ==
Хорошие вводные учебники по временным рядам:
# Р. Хайндман, Дж. Атанасопулос — Прогнозирование: принципы и практика (рус.).
# https://otexts.com/fpppy/ — он же в оригинале и с примерами на Python (англ.). Есть еще несколько других версий этого учебника. Например, https://otexts.com/fpp3/ с примерами на R, но зато с сопровождением в видеоформате.
# Э. Нильсон — Практический анализ временных рядов. Прогнозирование со статистикой и машинное обучение (рус.)

Статьи (все англ.):
# Wang, Y., Wu, H., Dong, J., Liu, Y., Wang, C., Long, M., & Wang, J. (2024). Deep time series models: A comprehensive survey and benchmark. arXiv preprint arXiv:2407.13278.
# Hewamalage, H., Ackermann, K., & Bergmeir, C. (2023). Forecast evaluation for data scientists: common pitfalls and best practices. Data Mining and Knowledge Discovery, 37(2), 788-832.
# Liang, Y., Wen, H., Nie, Y., Jiang, Y., Jin, M., Song, D., ... & Wen, Q. (2024, August). Foundation models for time series analysis: A tutorial and survey. In Proceedings of the 30th ACM SIGKDD conference on knowledge discovery and data mining (pp. 6555-6565).

Анализ временных рядов (ИИ25, 2-3 модули) - История изменений

imported>Mmustafaeva: Migrated current public revision from wiki.cs.hse.ru