58 мин.

#052 ML Юрий Кацер. Анализ и прогнозирование временных рядов и можно ли зарабатывать с их помощь‪ю‬ Machine Learning Podcast

    • Технологии

В гостях Юрий Кацер - эксперт по анализу данных и машинному обучению в промышленности, DS team lead Conundrum.ai. В выпуске говорим о том, что такое временные ряды и как их можно анализировать и прогнозировать с помощью машинного обучения. Какие задачи из реального мира сводятся к анализу временных рядов? Как работать с некачественными данными? Почему техобслуживание даже одной детали большой системы может привести к тому, что ML-модель отправится на свалку истории? Имеет ли смысл методы анализа временных рядов применять для того, чтобы угадать курс биткоина? С чего начать погружение в область? И как экономить деньги компании на сезонности? Обо всем этом в выпуске подкаста!

Ссылки выпуска:

Телеграм-канал Юрия о задачах ML в промышленности и не только ( https://t.me/DataKatser)
Пост со ссылками на открытые датасеты с промышленными данными ( https://t.me/DataKatser/62)
Одна из лучших лекций на русском про прогнозирование временных рядов ( https://www.youtube.com/watch?v=u433nrxdf5k)
Набор блокнотов и презентация по анализу временных рядов ( https://github.com/DataForScience/Timeseries/tree/master)

Буду благодарен за обратную связь!

Вступайте в книжный ML-клуб, где мы читаем книги по машинному обучению и смежным темам!

MLBookClub ( https://t.me/+HIXnIwXIIFAyYzYy)

Подписывайтесь на телеграм-канал "Стать специалистом по машинному обучению" ( https://t.me/toBeAnMLspecialist)

Мой телеграм для связи ( https://t.me/kmsint)

Также со мной можно связаться по электронной почте: kms101@yandex.ru

А еще я сделал бесплатный курс по созданию телеграм-ботов на Python и aiogram на Степике ( https://stepik.org/120924). Присоединяйтесь, если хотите научиться разрабатывать телеграм-ботов!

Выразить благодарность можно добрым словом и/или донатом ( https://www.tinkoff.ru/rm/kryzhanovskiy.mikhail11/NkwE718878/)

В гостях Юрий Кацер - эксперт по анализу данных и машинному обучению в промышленности, DS team lead Conundrum.ai. В выпуске говорим о том, что такое временные ряды и как их можно анализировать и прогнозировать с помощью машинного обучения. Какие задачи из реального мира сводятся к анализу временных рядов? Как работать с некачественными данными? Почему техобслуживание даже одной детали большой системы может привести к тому, что ML-модель отправится на свалку истории? Имеет ли смысл методы анализа временных рядов применять для того, чтобы угадать курс биткоина? С чего начать погружение в область? И как экономить деньги компании на сезонности? Обо всем этом в выпуске подкаста!

Ссылки выпуска:

Телеграм-канал Юрия о задачах ML в промышленности и не только ( https://t.me/DataKatser)
Пост со ссылками на открытые датасеты с промышленными данными ( https://t.me/DataKatser/62)
Одна из лучших лекций на русском про прогнозирование временных рядов ( https://www.youtube.com/watch?v=u433nrxdf5k)
Набор блокнотов и презентация по анализу временных рядов ( https://github.com/DataForScience/Timeseries/tree/master)

Буду благодарен за обратную связь!

Вступайте в книжный ML-клуб, где мы читаем книги по машинному обучению и смежным темам!

MLBookClub ( https://t.me/+HIXnIwXIIFAyYzYy)

Подписывайтесь на телеграм-канал "Стать специалистом по машинному обучению" ( https://t.me/toBeAnMLspecialist)

Мой телеграм для связи ( https://t.me/kmsint)

Также со мной можно связаться по электронной почте: kms101@yandex.ru

А еще я сделал бесплатный курс по созданию телеграм-ботов на Python и aiogram на Степике ( https://stepik.org/120924). Присоединяйтесь, если хотите научиться разрабатывать телеграм-ботов!

Выразить благодарность можно добрым словом и/или донатом ( https://www.tinkoff.ru/rm/kryzhanovskiy.mikhail11/NkwE718878/)

58 мин.

Топ подкастов в категории «Технологии»

Lex Fridman Podcast
Lex Fridman
Веб-стандарты
Сообщество «Веб-стандарты»
Запуск завтра
libo/libo
Podlodka Podcast
Егор Толстой, Стас Цыганов, Екатерина Петрова и Евгений Кателла
GEMBA PODCAST
Маргулан Сейсембаев
Радио-Т
Umputun, Bobuk, Gray, Ksenks, Alek.sys