AutoML для Временных Рядов: Прогнозирование с AutoGluon | Урок 7

В этом видео мы погружаемся в мир автоматического машинного обучения (AutoML) и решаем задачу прогнозирования временных рядов с помощью мощной библиотеки AutoGluon от Amazon. Вы увидите, как всего в несколько строк кода можно обучить сразу несколько моделей, выбрать лучшую и построить точный прогноз. Мы пройдем весь путь от загрузки и подготовки данных до обучения предиктора, оценки качества моделей по метрике MASE и визуализации результатов. Этот подход позволяет значительно ускорить процесс создания прототипов и поиска лучших решений для задач прогнозирования. Чему вы научитесь в этом уроке: 🔹 Что такое AutoML и зачем он нужен для прогнозирования временных рядов. 🔹 Как работать с библиотекой AutoGluon для временных рядов. 🔹 Подготавливать данные в формате TimeSeriesDataFrame. 🔹 Обучать TimeSeriesPredictor и настраивать качество и время обучения. 🔹 Оценивать и сравнивать производительность различных моделей (SeasonalNaive, ARIMA, ETS, LightGBM). 🔹 Строить прогнозы и визуализировать их вместе с исходными данными. Тайм-коды: 00:00 - Введение в AutoML и AutoGluon. 01:21 - Загрузка и подготовка данных для временных рядов. 02:53 - Процесс обучения: как AutoGluon выбирает и тренирует модели. 05:55 - Оценка качества моделей: что такое метрика MASE. 07:15 - Построение и визуализация прогноза. 08:30 - Заключение и выводы. #AutoML #AutoGluon #TimeSeries #Прогнозирование #Python #МашинноеОбучение #Урок #NeuroForgeAIML