Скачать с ютуб E106 - Time series forecasting в хорошем качестве

E106 - Time series forecasting

En este episodio hablamos de Time series forecasting . Este episodio fue grabado el 20240910 Referencias: Forecasting: Principles and Practices https://otexts.com/fpp2/ Paper de prophet "Forecasting at scale" https://peerj.com/preprints/3190/ Papers sobre por qué ML clásico es mejor que DL en series temporales https://arxiv.org/abs/2207.08815 https://arxiv.org/abs/2305.02997 https://www.amazon.science/publicatio...   / d_why_is_deep_learning_so_bad_for_tabular_...   https://forecastegy.com/posts/gradien... https://assets.amazon.science/17/31/0... Prophet malo?   / does_prophet_suck   Otros aportes del chat https://www.nannyml.com/ https://pypi.org/project/pyprojroot/ https://neptune.ai/ ------------------------------------------------------------------------------------------------------ Si quieres vernos en vivo y comentar, puedes suscribirte a nuestro canal de Twitch. El horario está en el canal.   / en_coders   Además, te puedes unir a nuestro discord para comentar temas relacionados a la ciencia de datos, dar ideas, poner dudas o simplemente hablar de temas relacionados.   / discord   ------------------------------------------------------------------------------------------------------ Timeline: 00:00:00 Intro 00:01:18 Motivación 00:14:43 Forecasting: Principles and Practices 00:16:37 Pasos para hacer un forecast 1 00:20:09 Ejemplo de detección de anomalías con series temporales 00:25:11 Pasos para hacer un forecast 2 00:29:06 Tipos de modelos 00:36:09 Patrones de una serie de tiempo 00:43:58 Memes 00:51:08 Post de discord de la semana 00:56:32 Autocorrelación 01:07:54 Residuos 01:14:00 ARIMA 01:16:19 Estacionariedad y diferenciación 01:22:24 auto.arima 01:27:41 Elección de parametros de ARIMA 01:33:59 Prophet 01:40:36 Implementacion de Prophet 01:45:00 Otros modelos 01:47:20 Cierre #timeseries #forecasting #prophet #ARIMA #datascience #danaanalysis #MLOps #data #podcast #machinelearning #latam