Материалы курса представлены в репозитории https://github.com/MVRonkin/TimeSeriesCourse/tree/main/2025 Материалы состоят

1. из лекционных презентаций по следующим темам

1.1. Введение в предмет анализ временных рядов

1.2. Модели ВР и постановка задач предсказания значений ВР

1.3. Статистические свойства ВР

1.4. Разложение ВР и наивные методы предсказания

1.5. Методы на основе экспоненциального сглаживания

1.6. Методы авторегрессии-скользящего среднего.

1.7. Оценка качества предсказания ВР (метрики)

1.8. Анализ невязок предсказаний ВР (остаточная часть)

1.9. Оценка надежности предсказаний ВР

1.10. Методы предсказания ВР с использованием машинного обучения.

1.11. Методы работы с многомерными ВР

1.12. Обнаружение аномалий Во ВР

1.13. Глубокое обучение нейронных сетей в приложениях анализа ВР

1.14. Особенности работы с индустриальными ВР

1.15. Задача классификации ВР (доп. Раздел)

1.16. Задачи непараметрического анализа слжных ВР (доп. Раздел).

2. материалов практик в формате ipynb по следующим темам

• 2.1. Моделирование ВР
• 2.2. Визуализация и предварительный анализ ВР
• 2.3. Фреймворки для решения задач предсказания ВР
• 2.4. Методы авторегрессии-скользящего среднего
• 2.5. Продвинутые техники использования фреймворков в задачах предсказания ВР
• 2.6. Использование методов машинного обучения в задачах предсказания ВР
• 2.7. Использование методов глубоких нейронных сетей в задачах предсказания ВР
• 2.8. Решение задач поиска аномалий во ВР
• 2.9. Решение задач классификации ВР (доп. Раздел).

3. итогового задания https://github.com/MVRonkin/TimeSeriesCourse/blob/main/2025/README.md

4. материалов контрольных работ и тестов.

литература:

• https://github.com/FilippoMB/python-time-series-handbook / https://filippomb.github.io/python-time-series-handbook/notebooks/00/intro.html#
• https://skforecast.org/0.19.1/examples/examples_english.html / https://cienciadedatos.net/documentos/py27-time-series-forecasting-python-scikitlearn.html

доп литература

• https://clauswilke.com/dataviz/
• https://github.com/M-3LAB/awesome-industrial-anomaly-detection