-
Прогнозирование временных рядов с xLSTM
Классические модели прогнозирования временных рядов, такие как градиентный бустинг, хорошо работают на табличных данных и с короткими историческими окнами. Однако при анализе длинных последовательностей и рядов с взаимозависимыми признаками их эффективность драматически падает. В таких случаях стоит присмотреться к нейронным сетям, так как они лучше моделируют сложные временные зависимости. Одним из интересных решений в этой…
-
ИИ Инвестирование (AI Investing): Что это? Преимущества и недостатки подхода
ИИ-инвестирование (AI Investing) — одна из самых обсуждаемых тем в современном финансовом мире. Алгоритмы на основе искусственного интеллекта обещают прогнозировать рынки, выявлять скрытые закономерности и принимать решения быстрее человека. Но за громкими заявлениями стоит множество вопросов: действительно ли ИИ приносит реальную пользу инвестору, и какие риски с этим связаны? В этой статье мы разберем, что…
-
Что такое градиентный спуск и как он используется для оптимизации функций?
Градиентный спуск — это не просто метод оптимизации. Это философия поиска оптимума, основанная на понимании локальной геометрии функции потерь. Алгоритм этого метода довольно прост: движение в направлении, противоположном градиенту, с целью прийти к минимуму. Однако за этой простотой скрывается удивительная глубина, которую я постараюсь раскрыть в этой статье. Математические основы: геометрия оптимизации Прежде чем погружаться…
-
PatchTST: Трансформер для прогнозирования временных рядов
За последние годы область прогнозирования временных рядов сделала ощутимый скачок вперед благодаря внедрению архитектур трансформеров. Если раньше в этой области полновластно доминировали бустинги, рекуррентные нейронные сети и классические статистические методы, то сегодня мы наблюдаем настоящий прорыв в точности и эффективности нейросетевых моделей. Одной из наиболее значимых инноваций стала архитектура PatchTST, которая не просто адаптировала трансформеры…
-
Новейшие модели прогнозирования временных рядов
Прогнозирование временных рядов — одна из важнейших задач в области data science. Долгое время эти задачи не доверяли нейронным сетям: исследователи предпочитали использовать быстрые, надежные и понятные методы классического машинного обучения. К тому же, точность нейронок в таких задачах оставляла желать лучшего. Однако, в последние годы кое-что изменилось — нейросети начали побеждать классические ML алгоритмы…