❓200 Вопросов по Машинному обучению (Machine Learning) - Вопрос_179

🔠 Какие модели используются для прогнозирования временных рядов ? (Часть_2)

3. Авторегрессионная скользящая средняя модель (ARMA): ARMA-модель комбинирует свойства AR- и MA-моделей. Она учитывает как предыдущие значения временного ряда, так и случайные ошибки предыдущих прогнозов.

4. Авторегрессионная интегрированная скользящая средняя модель (ARIMA): ARIMA-модель является расширением ARMA-модели, включающим дополнительный компонент интегрирования. Она применяется для прогнозирования временных рядов с трендами и/или сезонностью.

https://boosty.to/denoise_lab/donate - фишки кода, полезные фичи или просто если вы хотите поддержать наш канал.

#time_series #AR_model #MA_model #autoregressive_model #moving_average_model #forecasting

❓200 Вопросов по Машинному обучению (Machine Learning) - Вопрос_179

🔠 Какие модели используются для прогнозирования временных рядов ? (Часть_3)

5. Сезонная ARIMA (SARIMA): SARIMA-модель расширяет ARIMA-модель, чтобы учесть сезонность в данных. Она применяется к временным рядам, которые имеют явно выраженные повторяющиеся сезонные паттерны.

https://boosty.to/denoise_lab/donate - фишки кода, полезные фичи или просто если вы хотите поддержать наш канал.

#time_series #AR_model #MA_model #autoregressive_model #moving_average_model #forecasting

CVE-2023-24055 KeePass 2.5x

https://github.com/alt3kx/CVE-2023-24055_PoC

https://consensus.app — академическая поисковая система.

Поиск надежной, проверенной информации и источник экспертных знаний. Ищет по академическим статьям, корпус для поиска — более 200 млн. документов.

https://scite.ai — работа с цитатами из публикаций. База научных статей пополняется ежедневно.

Сервис имеет доступ ко множеству полнотекстовых научных статей: издательства (Wiley, Cambridge University Press и т. д.), серверы препринтов (arXiv, bioRxiv и medRxiv) и т.п.

https://fig.io/ - полезная тулза, если вы часто пишете на bash

❓200 Вопросов по Машинному обучению (Machine Learning) - Вопрос_179

🔠 Какие модели используются для прогнозирования временных рядов ? (Часть_4)

7. Структурные временные ряды (Structural Time Series): Структурные временные ряды - это модели, которые учитывают различные компоненты временного ряда, такие как тренд, сезонность, цикличность, а также внешние факторы. Они могут быть полезны для прогнозирования временных рядов с долгосрочными трендами и сложными сезонными паттернами.

https://boosty.to/denoise_lab/donate - фишки кода, полезные фичи или просто если вы хотите поддержать наш канал.

#time_series #AR_model #MA_model #autoregressive_model #moving_average_model #forecasting

❓200 Вопросов по Машинному обучению (Machine Learning) - Вопрос_179

🔠 Какие модели используются для прогнозирования временных рядов ? (Часть_5)

8. Модели глубокого обучения (Deep Learning Models): Модели глубокого обучения, такие как рекуррентные нейронные сети (RNN) и сверточные нейронные сети (CNN), также могут быть использованы для прогнозирования временных рядов. Они способны улавливать сложные зависимости в данных и могут быть эффективными в случаях, когда у временного ряда есть нелинейные и динамические свойства.

https://boosty.to/denoise_lab/donate - фишки кода, полезные фичи или просто если вы хотите поддержать наш канал.

#time_series #AR_model #MA_model #autoregressive_model #moving_average_model #forecasting

❓200 Вопросов по Машинному обучению (Machine Learning) - Вопрос_180

🔠 Какие есть преимущества и недостатки у авто-регрессионной модели (AR) ?

Преимущества:
- Хорошо работает для данных с автокорреляцией, когда значения в прошлом влияют на значения в будущем.
- Относительно проста в интерпретации.

Недостатки:
- Не учитывает другие факторы, которые могут влиять на временной ряд, такие как тренды и сезонность.
- Могут быть неэффективными для данных без явной автокорреляции.

https://boosty.to/denoise_lab/donate - фишки кода, полезные фичи или просто если вы хотите поддержать наш канал.

#time_series #AR_model #MA_model #autoregressive_model #moving_average_model #forecasting

❓200 Вопросов по Машинному обучению (Machine Learning) - Вопрос_181

🔠 Какие есть преимущества и недостатки у cкользящей средней модели (MA) ?

Преимущества:
- Хорошо работает для данных с случайными ошибками и шумом.
- Может быть эффективна для сглаживания временных рядов.

Недостатки:
- Не учитывает автокорреляцию или зависимость от предыдущих значений ряда.
- Может быть неэффективна для данных с явными трендами или сезонностью.

https://boosty.to/denoise_lab/donate - фишки кода, полезные фичи или просто если вы хотите поддержать наш канал.

#time_series #AR_model #MA_model #autoregressive_model #moving_average_model #forecasting

❓200 Вопросов по Машинному обучению (Machine Learning) - Вопрос_182

🔠 Какие есть преимущества и недостатки у авторегрессионной скользящая средней модели (ARMA) ?

Преимущества:
- Комбинирует преимущества AR- и MA-моделей для учета автокорреляции и случайных ошибок.
- Может быть эффективна для данных с различными шаблонами автокорреляции.

Недостатки:
- Подбор параметров модели может быть сложным.
- Может быть неэффективна для данных с сезонностью или нелинейными зависимостями.

https://boosty.to/denoise_lab/donate - фишки кода, полезные фичи или просто если вы хотите поддержать наш канал.

#time_series #AR_model #MA_model #autoregressive_model #moving_average_model #forecasting

❓200 Вопросов по Машинному обучению (Machine Learning) - Вопрос_182

🔠 Какие есть преимущества и недостатки у авторегрессионной интегрированной скользящая средней модели (ARIMA) ?

Преимущества:
- Учитывает тренды и сезонность в данных.
- Может быть эффективна для широкого спектра временных рядов.

Недостатки:
- Подбор параметров модели может быть сложным.
- Может быть неэффективна для данных с нелинейными зависимостями или сложными сезонными паттернами.

https://boosty.to/denoise_lab/donate - фишки кода, полезные фичи или просто если вы хотите поддержать наш канал.

#time_series #AR_model #MA_model #autoregressive_model #moving_average_model #forecasting

https://github.com/influxdata/influxdb - InfluxDB - это масштабируемое хранилище данных для метрик, событий и аналитики в реальном времени. Этот репозиторий содержит исходный код, документацию, проблемы (issues), запросы на включение изменений (pull requests) и другую информацию, связанную с разработкой и поддержкой InfluxDB.

https://arxiv.org/pdf/2401.02287.pdf

1/ Представляется новая технология обратной дистилляции для решения конкретной задачи обнаружения дефектов ткани.

2/ Проверка узорчатых текстур, особенно в контексте обнаружения дефектов ткани, является широко распространенным вариантом использования.

3/ Основными вкладами документа являются надежный детектор текстурных аномалий, подходящий для обнаружения аномалий и обобщения предметной области, а также создание нового набора данных, охватывающего широкий спектр тканей и дефектов.