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.

https://arxiv.org/pdf/2401.01960.pdf - Shadow
Blade, инструмент, помогающий пользователям взаимодействовать с векторами атак.

https://ru.visiology.su/products/visiology3 - новая тулза как замена PowerBI

https://trends.rbc.ru/trends/industry/657963559a79474dd4bc9b88?from=copy - тренды ИИ на следующие 5 лет, по моим прогнозам, здесь можно смело закладывать на следующие 10 лет это точно, с учетом, того как все стремительно развивается и растет как на дрожах.

Только OpenAI показала капитализацию, с момента своего открытия, до текущего дня в 5400%. Есть только один ньюанс, чем сложнее система, тем больше в ней уязвимостей и тем больше в ней непредсказуемых вещей (читай на грузка на безопасность). Это первое и второе, смещение потребления контента начнется в сторону технологических данных (цифры и графики), так как видео, звук, и тексты все будет сгенерировано (кем-то заказано, мы это и сейчас видим, но масштабы будут расти).

Крупные масс-медиа столкнуться с резкой потерей пользователей, которые будут стремится к получению достоверной информации. Нас ждем смена ориентиров и переосмысления реальности в самом ее широком смысле. Это будет шоковая терапия для всего населения, масштабы будут глобальные. Как положительные так и отрицательные.

https://www.youtube.com/watch?v=adDyTzBdUcg - генерация становится не просто быстро она становится молниеносной, чтож... эра потоковой генерации контента уже наступила, причем не заранее написанной, а вещаемой в онлайне.

https://tryolabs.com/blog/2023/02/08/top-5-tips-to-make-your-pandas-code-absurdly-fast - Очень крутая статья, как сделать Pandas просто реактивным, сейчас погружусь в тесты интересно переплюнет ли он polars. ))

https://arxiv.org/pdf/2305.08596.pdf - рекомендуется к прочтению, DarkBert.

❓200 Вопросов по Машинному обучению (Machine Learning) - Вопрос_183

Сезонная ARIMA (SARIMA):

Преимущества:
- Учитывает как общую структуру ряда, так и сезонные паттерны.
- Может быть эффективна для данных с явно выраженной сезонностью.

Недостатки:
- Подбор параметров модели может быть сложным и требовать больше данных.
- Может быть неэффективна для данных без сезонности.

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