Видео

57:55

Речь лектора и картинки презентации расходятся по времени

Евгений, замечательная лекция. Пару замечаний, не хватает примеров, которые аудитория могла бы повторить в лабораторных условиях, чтобы понять как работают те или иные алгоритмы и в чем их преимущества или недостатки перед другими. Хотелось бы иметь ссылку на саму презентацию, чтобы почитать отдельно, а так же хотелось бы иметь ссылку на Jupiter notebook, где можно было бы поработать с примерами из лекции. А в целом 5/5 желаю успехов в научной деятельности. С Уважением, Макс.

Мое почтение, выдать на голубом глазу «сокровищница США» и даже не запнуться 😂😂😂

Когда что-либо делаешь не сам, а сдираешь с англоязычного источника, то не надо позориться тупыми переводами, такими как "сокровищница" (это всегда было казначейство). Позор!

7:55 значение автокорреляции во временных рядах

у меня есть друг Денис и вот он сказал, что хочет пососать этому лектору

Нифига себе чел могёт, ппц мощный

а что с каналом случилось?

Хотим: ARIMAX и VARIMA!

Жаль, что вопросов не слышно :( Можно было бы их субтитрами дать.

Для говно-товаров нет толку применять рекомендации, т к товары говнище и теперь такие повсеместно.

Добрый день! Подскажите, где найти Вашу презентацию. На гите не нашел, а говорили, что выложите. Спасибо!

А как зовут лектора? Может есть ссылки на его статьи или место работы?

3:00 Предсказательный интервал 7:00 регрессия. автокореляция пирсона 8:00 компоненты ВР: тренд. Сезонность. Цикл. Ошибка 12:00 18:00 значимость автокореляции. Критерий стьюдента. Льюнга-бокса. 20:00 стационарность 25:00 статистические критерии. KPSS. Дики-фуллера 27:00 стабилизация дисперсии. Преопрозование Бокса-кокса 29:00 дифференцированние 33:00 авторегрессия. Скользящие среднее. ARMA. ARIMA. SARMA. SARIMA 47:00 подбор параметров функции. Dd, Qq, Pp, AICe, BIC, Bias tradeoff 1:00:00 как построить прогноз? Насыщенность. Стационарность. Неавтокореруемость. 1:08:00 построение Предсказательного интервала. Python vs R. Сложная сезонность (Праздники, domen knowledge) SARIMAX. Регресионные признаки 1:15:00 проблемы прогнозирования. ARIMA не нужна? features 1:20:00 Массовое прогнозирование 1:25:00 литература Наука не нужна? Коридор значимости?

Что-за безсвязный диструктив !? С каких пор соплякам дано право учить !!?

А Фурье чем не устроил?

Почему-то на прогнозирование временных рядов тяжело найти много информации в одном месте. В частности базовую информацию. Но это видео исключение из этого правила. Спасибо, очень полезная лекция для понимания основ!

надеюсь его не мобилизовали

Я искал коинтеграцию Почему выпало это видео?

Супер видос - столько смысла в одном видео я давно не видел🔥

Как на приеме у психиатора... Просто сплошным текстом метется все что в голову придет.. Любой ролик по ЦОС за 5 -10 минут введет во все то же самое в том же объеме без лишней терминологии и часовых лирических отступлений... Накидать слов по больше и по умнее - не есть оптимальная форма подачи..

Слайды отстают на 1 .

Прекрасно и крайне полезно!

Я одного не понял: Мы сначала ухудшаем скоррелированность ряда путем дифференцирования (это видно на графиках автокорр ф-ии) , а потом к такому низкоскоррелированному ряду лепим авторегрессию. Умно? А может не нужно дифференцировать чтобы получилась хорошая корреляция на ряд в прошлом?

Я тупой

18:41 проверка значимости автокорреляции 24:57 статистические критерии на стационарность 27:27 стабилизация дисперсии

Интересный видос, спасибо 😊

Блин, офигенно!)))👍👍👍👍🤟🤟🤟🤟

Я тоже понял) красавчик лектор

так что в итоге? нафиг все эти модели - строим регрессию как раньше?

Бл.дь. тупо потерял время.

Какой аккуратно сложыенный мальчик. Хочется всклокочить его волосы и потом долго смотреть в его умные глаза.

Большое спасибо, просто и доступным языком

Лекция хорошая, но некоторые слайды сильно отстают и выходит что докладчик что-то объясняет, а слайд предыдущий и приходится включать фантазию и придумывать будущее изображение

19:35 перед двоечкой знак суммы не нужен?

12:45 интересно, что показали А/В тесты при применении модели с ошибкой в коде.

Спасибо

Спасибо за данную лекцию,осень помогает в понимании

Эх, видел бы я эту лекцию 3 года назад, когда только начинал изучать ариму...

Благодарю за лекцию!

Сработавшаяся команда готова к новым задачам по разметке, ds, ИИ. Заинтересованных лиц просьба писать в личку.

Спасибо за ролик, только начали изучать тему про метрики. Вот еще интересная статья ppc.world/articles/izmeryaem-effektivnost-internet-magazina-3-osnovnyh-urovnya-metrik/

Что-то Том Холланд поплыл к середине лекции: начал путать прогноз с подгонкой модели, перепутал разностный и лаговый операторы. Разностный оператор - штука, берущая конечную разность между соседними значениями ряда, используется при построении аримы. А это лаговый оператор (оператор сдвига), который просто берет соседнее значение

лучший

19:57 крайне топорное, неинформативное исследование. Два человека с одинаковым ростом и весом могут иметь совсем разное телосложение, процент жира всё-таки варьируется в широких пределах, и было бы более корректно измерять именно его

Как за 4 года похорошел python при Собянине и statsmodels

офигенная лекция! даже идиоту типа меня многое стало понятнее

Спасибо! 👍

Уважаемый Лектор, Вы на слайдах показываете результат оценки ряда, грубо говоря, решая задачу апроксимации. Так вот в этом ничего сложного нет, т.к. реализация случайного процесса это уже неслучайный ряд и поэтому его не сложно аппроксимировать. Вы бы показали пример решения задачи экстраполяции, вот тогда был бы интерес, а так все это тривиальные вещи, к сожалению... С уважением, Константин.