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
• Rob J Hyndman and George Athanasopoulos Forecasting: Principles and Practice (3rd ed) https://otexts.com/fpp3/
• Rob J Hyndman Forecasting: Principles and Practice, the Pythonic Way https://otexts.com/fpppy/

доп литература

• https://clauswilke.com/dataviz/
• https://github.com/M-3LAB/awesome-industrial-anomaly-detection
• https://nicolarighetti.github.io/Time-Series-Analysis-With-R/
• https://rc2e.com/timeseriesanalysis
• https://mlcourse.ai/book/topic09/topic9_part1_time_series_python.html
• https://wesmckinney.com/book/time-series
• https://jakevdp.github.io/PythonDataScienceHandbook/03.11-working-with-time-series.html

Инструменты

• https://github.com/predict-idlab/tsflex / https://predict-idlab.github.io/tsflex/
• https://www.sktime.net/en/stable/
• https://skforecast.org/
• https://nixtlaverse.nixtla.io/statsforecast/index.html /https://github.com/Nixtla/statsforecast
• https://www.statsmodels.org/stable/tsa.html / https://www.statsmodels.org/stable/user-guide.html#time-series-analysis
• https://unit8co.github.io/darts/