Материалы

• текущей версии курса представлены в репозитории Last
• утилиты для курса
• Задания для курса

Содержание курса

Материалы состоят

1. из лекционных презентаций по следующим темам

1.1. Введение в предмет анализ временных рядов

1.2. Модели ВР и постановка задач предсказания значений ВР

1.3. Статистические свойства ВР

1.4. Разложение ВР и наивные методы предсказания

1.5. Методы на основе экспоненциального сглаживания

1.6. Методы авторегрессии-скользящего среднего.

1.7. Оценка качества предсказания ВР (метрики)

1.8. Анализ невязок предсказаний ВР (остаточная часть)

1.9. Оценка надежности предсказаний ВР

1.10. Методы предсказания ВР с использованием машинного обучения.

1.11. Методы работы с многомерными ВР

1.12. Обнаружение аномалий Во ВР

1.13. Глубокое обучение нейронных сетей в приложениях анализа ВР

1.14. Особенности работы с индустриальными ВР

1.15. Задача классификации ВР (доп. Раздел)

1.16. Задачи непараметрического анализа слжных ВР (доп. Раздел).

2. материалов практик в формате ipynb по следующим темам

• 2.1. Визуализация и предварительный анализ ВР
• 2.2. Фреймворки для решения задач предсказания ВР
• 2.3. Методы авторегрессии-скользящего среднего
• 2.4. Оценка качеста предсказаний ВР
• 2.5. Продвинутые техники использования фреймворков в задачах предсказания ВР
• 2.6. Использование методов машинного обучения в задачах предсказания ВР
• 2.7. Использование методов глубоких нейронных сетей в задачах предсказания ВР
• 2.8. Решение задач поиска аномалий во ВР
• 2.9. Решение задач классификации ВР (доп. Раздел).

3. Итоговое задание: https://github.com/MVRonkin/TimeSeriesCourse/blob/main/Last/README.md
4. Соревнование (доп. баллы): https://www.kaggle.com/t/f6594d440d0e49acae193049334604b6

Анализ временных рядов

Содержение курса

№	Занятие	Тема	Материалы	Основное
1	Лекция 1 - 1/2	Введение в АВР	GitHub	Понятие ВР
1	Лекция 1 - 2/2	Классификация ВР	GitHub	-
2	Лекция 2 - 1/2	Модели ВР	GitHub	Тренд, сезонность, остаток
2	Лекция 2 - 2/2	Декомпозиция ВР	GitHub	разложение ВР
3	Практика 1	EDA и визуализация ВР	GitHub / Colab	EDA

Модуль 2 - Предсказания временных рядов на основе статистических моделей

№	Занятие	Тема	Материалы	Основное
4	Лекция 3 - 1/2	Методы экспоненциального сглаживания	GitHub	SES, ETS
4	Лекция 3 - 2/2	Метрики АВР	GitHub	Точечные метрики
5	Практика 2	Базовые методы предсказания ВР	GitHub / Colab	Statsforecast
6	Лекция 4 - 1/2	Статистические свойства ВР	GitHub	Стационарность, АКФ
6	Лекция 4 - 2/2	ARIMA	GitHub	ARIMA
7	Практика 3	ARIMA	GitHub / Colab	AutoARIMA
8	Лекция 5 - 1/2	Анализ остатков предсказания	GitHub	Residual
8	Практика 4	Диагностика ВР	GitHub / Colab

Модуль 3 - Использование машинного обучения в задачах анализа временных рядов

№	Занятие	Тема	Материалы
9	Лекция 5 - 2/2	Методы машинного обучения для предсказания ВР	GitHub
9	Практика 5	ML предсказание	GitHub / Colab
10	Лекция 6 - 1/2	Оценка надежности предсказаний ВР	GitHub
11	Практика 6	ВР Оценка надежности предсказаний ВР	GitHub / Colab
12	Лекция 6 - 2/2	Обнаружение аномалий во ВР	GitHub
12	Практика 7	Обнаружение аномалий и другие задачи АВР	GitHub / Colab

Модуль 4 - Использование искусственных нейронных сетей глубокого обучения в задачах анализа временных рядов

№	Занятие	Тема	Материалы
13	Лекция 7 - 1/2	Полносвязные архитектуры нейронных сетей	GitHub
13	Лекция 7 - 2/2	Рекуррентные архитектуры нейронных сетей	GitHub
14	Лекция 8	Архитектуры - трансфомеры	GitHub
15	Практика 7	Предсказания с использованием нейронных сетей	GitHub / Colab

Дополнительные темы

№	Занятие	Тема	Материалы
-	Практика	Моделирование ВР	GitHub / Colab
-	Лекция	Многомерные ВР	GitHub
-	Лекция	Классификация ВР	GitHub
16	Практика	Data Driven Классификация ВР	GitHub / Colab
-	Лекция	Непараметрические методы АВР	GitHub

ИТОГОВЫЙ КОНТРОЛЬ

• Итоговое задание: https://github.com/MVRonkin/TimeSeriesCourse/blob/main/Last/README.md
• Соревнование (доп. баллы): https://www.kaggle.com/t/f6594d440d0e49acae193049334604b6

Основной репозиторий курса: GitHub

Литература

Основная литература:

• Rob J H Forecasting: Principles and Practice, the Pythonic Way - основной учебник
• Rob J H and G Athanasopoulos Forecasting: Principles and Practice (3rd ed) - расширенное описание глав, посвященных класическому АВР
• Nixtla statsforecas и GitHub документация - основной фреймворк по классике, GitHub docs2, GitHub Experiments
• Nixtla mlforecast и GitHub docs и GitHub docs2
• Nixtla neuralforecast и GitHub docs, GitHub docs2 and GitHub Experiments
• Nixtla blog github и тут
• Blog ODS TSA, GitHub Ru, GitHub En
• ШАД Ml handbook Chs 10.2-10.5
• Machine Learning for Time Series (Master MVA)

Также рекомендуемая литература

• Блог введение в анализ временных рядов
• Bianchi F M Time series analysis with Python GitHub - простое Pythonic Way изложение классического моделирования ВР
• skforecast и примеры к skforecast / skforecast github tutorials- полезное и хорошее описание примеров предсказания ВР
• statsmodels.tsa и user guide - классический фреймворк моделирования ВР
• Простая статья по TSA
• time-series-data

Дополнительная литература

• Forecasting and Analytics with the Augmented Dynamic Adaptive Model (ADAM)
• time_series_handbook
• https://clauswilke.com/dataviz/
• https://github.com/M-3LAB/awesome-industrial-anomaly-detection
• https://nicolarighetti.github.io/Time-Series-Analysis-With-R/
• https://rc2e.com/timeseriesanalysis
• https://mlcourse.ai/book/topic09/topic9_part1_time_series_python.html
• https://wesmckinney.com/book/time-series
• https://jakevdp.github.io/PythoмnDataScienceHandbook/03.11-working-with-time-series.html
• Time Series with Deep Learning Quick https://dl.leima.is/time-series/
• https://github.com/aeon-toolkit/aeon-tutorials/tree/main
• https://github.com/sktime/python_brasil_2025
• https://www.analyticsvidhya.com/blog/2015/12/complete-tutorial-time-series-modeling/
• http://www.stat.ucla.edu/~frederic/415/S23/tsa4.pdf
• https://www.kaggle.com/code/konradb/ts-0-the-basics
• https://github.com/ajitsingh98/Time-Series-Analysis-and-Forecasting-with-Python
• https://github.com/youssefHosni/Hands-On-Time-Series-Analysis-with-Python
• https://www.causalmlbook.com/time-series-forecasting.html
• https://github.com/USTCAGI/Awesome-Papers-Time-Series-Forecasting
• https://chaos.phys.msu.ru/loskutov/PDF/Lectures_time_series_analysis.pdf
• https://lib.ulstu.ru/venec/disk/2022/6.pdf
• https://github.com/thuml/Large-Time-Series-Model
• https://github.com/thuml/Time-Series-Library
• https://github.com/SalesforceAIResearch/uni2ts
• https://github.com/marcopeix/TimeSeriesForecastingUsingFoundationModels
• https://github.com/qingsongedu/awesome-AI-for-time-series-papers
• https://github.com/phylypo/TimeSeriesPrediction
• https://github.com/xiyuanzh/time-series-papers
• https://github.com/thuml/Large-Time-Series-Model
• https://github.com/ajitsingh98/Time-Series-Analysis-and-Forecasting-with-Python/
• https://github.com/DaoSword/Time-Series-Forecasting-and-Deep-Learning

Какие то курсы

• https://github.com/LinkedInLearning/python-for-time-series-forecasting-5246009/tree/main
• https://github.com/aromanenko/ATSF/tree/main
• https://github.com/gheisenberg/TSF
• https://github.com/datons/TS/tree/
• https://github.com/oscar-defelice/TimeSeries-lectures
• https://github.com/j-adamczyk/ml_time_series_forecasting_course/
• https://github.com/trainindata/feature-engineering-for-time-series-forecasting/

Инструменты универсальные и предсказания

• https://www.sktime.net/en/stable/

• https://skforecast.org/

• https://nixtlaverse.nixtla.io/statsforecast/index.html /https://github.com/Nixtla/statsforecast

• https://www.statsmodels.org/stable/tsa.html / https://www.statsmodels.org/stable/user-guide.html#time-series-analysis

• https://unit8co.github.io/darts/

• https://lavinei.github.io/pybats/

• https://github.com/Y-Research-SBU/TimeSeriesScientist/tree/main

• 25 years of open source forecasting software 2025

Инструменты TSC

• https://aeon-toolkit.org/
• https://timeseriesai.github.io/tsai/
• https://tsfel.readthedocs.io/
• https://github.com/predict-idlab/tsflex / https://predict-idlab.github.io/tsflex/
• https://github.com/valeman/awesome-conformal-prediction
• https://github.com/thuml/Time-Series-Library
• https://github.com/ritvikmath/Time-Series-Analysis

Инструменты обнаружения аномалий, перегиба, дрейфа новизны и тд

• https://riverml.xyz / https://habr.com/ru/companies/glowbyte/articles/681772/
• https://github.com/agpenas/tstrends
• https://tom-doerr.github.io/repo_posts/2025/04/26/Nixtla-statsforecast.html
• https://github.com/M-3LAB/awesome-industrial-anomaly-detection
• https://github.com/thekimk/All-About-Time-Series-Analysis/

Тутроиалы

• https://github.com/aeon-toolkit/aeon-tutorials/tree/main
• https://github.com/sktime/python_brasil_2025
• https://github.com/sktime/sktime-workshop-pycon-colombia-2025/tree/main/notebooks
• https://github.com/Nixtla/blog/
• https://github.com/Nixtla/fpp3-python
• https://www.pymc-labs.com/blog-posts/probabilistic-forecasting
• https://www.pymc.io/projects/docs/en/latest/api/distributions/timeseries.html
• https://juanitorduz.github.io/short_time_series_pymc/
• https://neuralprophet.com/tutorials/index.html
• https://skforecast.org/0.19.1/examples/examples_english.html
• https://readmedium.com/bayesian-time-series-forecasting-in-python-with-the-ubers-orbit-package-1d3b7ff482dd
• https://github.com/aangelopoulos/conformal-prediction/tree/main
• https://towardsdatascience.com/uncertainty-quantification-in-time-series-forecasting-c9599d15b08b/
• https://readmedium.com/time-series-forecasting-with-conformal-prediction-intervals-scikit-learn-is-all-you-need-4b68143a027a
• https://github.com/cerlymarco/MEDIUM_NoteBook
• https://github.com/cerlymarco/tspiral
• https://juanitorduz.github.io/tsb_numpyro/ https://juanitorduz.github.io/croston_numpyro/
• https://github.com/valeman/Transformers_And_LLM_Are_What_You_Dont_Need
• https://github.com/cuge1995/awesome-time-series

Про датасеты Industrial-ML

• https://github.com/jonathanwvd/awesome-industrial-datasets
• https://github.com/nicolasj92/industrial-ml-datasets
• https://github.com/YKatser/Industrial-ML
• https://github.com/murovadarya/IndustrialML
• https://github.com/makinarocks/awesome-industrial-machine-datasets