В лаборатории моделирования природных систем Национального центра когнитивных разработок Университета ИТМО мы активно исследуем вопросы применения автоматического машинного обучения для различных задач. В этой статье мы хотим рассказать о применении AutoML для эффективного прогнозирования временных рядов, а также о том, как это реализовано в рамках open-source фреймворка FEDOT.

Материал, изложенный в статье, на мой взгляд, хорошо дополняет первую неделю курса «Прикладные задачи анализа данных» от МФТИ и Яндекс. На обозначенном курсе можно получить теоретические знания, достаточные для решения задач прогнозирования рядов динамики, а в качестве практического закрепления материала предлагается с помощью модели ARIMA библиотеки scipy сформировать прогноз заработной платы в Российской Федерации на год вперед. В статье, мы также будем формировать прогноз заработной платы, но при этом будем использовать не библиотеку scipy, а библиотеку sklearn. Фишка в том, что в scipy уже предусмотрена модель ARIMA, а sklearn не располагает готовой моделью, поэтому нам придется потрудиться ручками. Таким образом, нам для решения задачи, в каком то смысле, необходимо будет разобраться как устроена модель изнутри. Также, в качестве дополнительного материала, в статье, задача прогнозирования решается с помощью однослойной нейронной сети библиотеки pytorch.

Курс лекций А.Ю. Лоскутов

Разработан манипулятор на основе MEMS-акселерометра, который отслеживает движения руки оператора в трехмерном пространстве. Драйвер манипулятора формирует сигнал, управляющий курсором компьютерной мыши. Показано, что драйвер становится интеллектуальным, повторно используя этот управляющий сигнал, чтобы следить за действиями оператора и строить портрет произвольных действий оператора как последовательности жестов его руки. Для этого используются алгоритмы обнаружения паттернов в записях управляющего сигнала манипулятора.

В докладе рассказываете об опыте прогнозирования биржевых котировок с применением аппарата нейронных сетей. Предлагается гибридная архитектура нейросети на основе самоорганизующейся карты Кохонена и многослойного персептрона, а также авторская идея иерархической структуры самоорганизующегося слоя и алгоритм «справедливого» обучения кластеров. Рассматриваются различные виды зависимостей в данных и приводится пример обучения подобной архитектуры на функции типа «лунная поверхность».

В статье рассмотрен алгоритм решения задачи прогнозирования временных рядов при помощи нейронной сети. В работе представлена первичная обработка исходных данных и построена самообучающаяся искусственная нейронная сеть.

В последние несколько лет появилось множество работ в области нейронных сетей, которые показали потрясающие результаты во многих областях науки анализа данных - в том числе и области классификации временных рядов. Целью данной работы является исследование методов классификации временных рядов свёрточными нейронными сетями, их сравнение с традиционными методами, разработанными для данной области за долгое время.