6 ключевых методов предсказания временных рядов в одном коде: MA, LR, K_near , ARIMA, Prophet, LSTM. Испытания проводятся на дневных котировках акций MSFT
КОМЕНТАРІ: 31
@Vik_lionessМісяць тому
Подача может и не совсем обычная для многих комментаторов, но основная инфа для понимания чего-то есть. В русскоязычных ресурсах не так просто найти подобное и простое
@Pythoncode-dailyМісяць тому
Большое спасибо, Виктория! Если мне и хотелось внести какой-то вклад в информационное пространство , то скорее именно такой слабый, ограниченный и несовершенный. Чтобы каждый мог посмотреть и прикинуть - "Ну если у этого чела с его тараканами получается в этом разбираться, то я то уж сделаю это гораздо эффективнее, быстрее и лучше!"
@lammer_ok2 місяці тому
Интересное видео! Спасибо.
@konstantinphd2366Рік тому
Спасибо! Интересно.
@alexnatalchenko44716 місяців тому
СПАСИБО!
@AlexeyLukyanchuk9 місяців тому
2.5 часа это очень быстро! У меня бывало на одну статью по 4 часа уходило.
@dicloniusN35Рік тому
Все сразу настроить нормально и скрестить
@user-sy4zm9km5o9 місяців тому
Выложите пожалуйста ссылку на ноутбук с кодом.
@Pythoncode-daily9 місяців тому
К сожалению, я писал этот код на нотбуке с которого утратил доступ к эккаунту. Могу только поделиться ссылкой на исходный код с которого я и писал свой. www.kaggle.com/code/paramarthasengupta/microsoft-stocks-price-prediction
@tima_net3289Рік тому
Для ARIMA нужно множество условий выполнения, потому и не раьотает, да и далеко не лучше LSTM, попробуйте еще xgboost
@Pythoncode-dailyРік тому
Огромное спасибо! С удовольствием последую Вашему совету!
@dicloniusN35Рік тому
а не знаете почему sarimax орет что памяти не хватает если сезонность большая? 52+ сезонность сжирает 32 гига памяти постепенно и вылетает)) арима только на короткосрок работает именно из за своей сути + все в видео надо ж настраивать и из коробки не работает норм
@kelleronik5 місяців тому
Сначала и не понял, это видео про политику или про программирование) С одной стороны спасибо, что затронули известные популярные подходы. С другой стороны - вот эти отхождения от темы кринжовенько выглядят.
@Pythoncode-daily5 місяців тому
Согласен! Но не получается жить в обществе и быть свободным от общества. Мне не хотелось бы лукавить - у меня есть определенная точка зрения на ситуацию и скрывать ее было бы лукавством. Если в вопросе противостояния России и НАТО я на стороне России - то пусть те, кто смотрит мои видео знают об этом. Тем более, что другие видео, направленные на анализ интенсивности и эффективности СВО куда более политизированы.
@kelleronik5 місяців тому
@@Pythoncode-daily гражданская позиция это хорошо, но ведь это видео о программировании, а не о разборе СВО 🤷
@Pythoncode-daily5 місяців тому
Я и не спорю
@legendarzayexe940425 днів тому
А где ссылка на статью, или блокнот colab?
@Pythoncode-daily25 днів тому
Код брал по этой ссылке www.kaggle.com/code/paramarthasengupta/microsoft-stocks-price-prediction
@aslgrlah11 місяців тому
RMSE - чем меньше, тем лучше, да. Это корень из среднеквадратичной ошибки. "Фантастический" результат lstm связан с неправильной методикой предсказаний: если я правильно понял код, его автор разбивает датасет на окна в 40 свечей - и для каждой свечи предсказывает 1 следующее значение. Затем окно смещается на 1 свечу, и так далее. Такое решение встречается чаще всего, но для практических целей оно бесполезно - нейросеть просто предсказывает +- близкое значение относительно последней цены, не более( А при множественном выводе такой точности нет и близко.
@sergeyzinchenko97186 місяців тому
привет.а как надо правильно подготавливать данные 'tensor' перед обучением. пришли гаиды или практику лучшуу. я щас етим занимаюсь
@andreiantipov6943Місяць тому
@@sergeyzinchenko9718 Там в блоке предсказания нужно было предсказывать для первой 40-ки и для последующей 40-ки брать ранее предсказанное, а там берется известная цена valid. Как итог мухлежа - график чудесным образом рядом с реальной ценой
@leowhynot2 місяці тому
Автор решил взяться за предсказание временных рядов, не утруждая себя пониманием сути алгоритмов. Судя по всему, для него MA, Prophet и LSTM - это всё равно что волшебные палочки, только махни - и готово предсказание. Что ж, амбиции похвальны
@Pythoncode-daily2 місяці тому
Здорово! Вы очень точно описали мое поверхностное понимание этих сущностей. Причем, как тогда, так и сейчас! ) Извиняет меня лишь то, что даже сильноумные мире сего типа Карпатного ( надеюсь я не исказил его фамилию) и многих других, тоже полагают, что машинное обучение все еще выдает кофейную гущу, на которой приходится гадать. А смена ингредиентов и их долей лишь меняет характер самой гущи. Неопределенность трансформируется, но не устраняется. С этим придется жить! )
@leowhynot2 місяці тому
@@Pythoncode-daily Чем больше понимания данных и алгоритмов - тем меньше неопределенности
@Pythoncode-daily2 місяці тому
Судя по мнениям многих крупнейших разработчиков на их страницах в Х в части машинного обучения такой прогресс не столь уж достижим! Люди, которые потратили на эту область знаний десятки лет жизни и достигли высочайшего уровня оплаты и общественного признания, частенько сокрушаются о том, что малейшие изменения в параметрах моделей часто приводят к колоссальным изменениям данных на выходе. Что не позволяет надеяться на достижение определенности и построение привычных для человеческого мозга причино-следственных связей. Похоже, что напрасно мы называем искусственным интеллектом комбинаторные игры на векторном пространстве.
@leowhynot2 місяці тому
@@Pythoncode-dailyразве успех алгоритмов(LLM например), успешно решающих задачи за пределами их первоначального назначения, не свидетельствует об их адаптивности и потенциале? И если модель способна проходить различные тесты, имитирующие человеческие реакции и поведение, не говорит ли это о ее способности к глубокому пониманию устройства нашего мира? Да, малейшие изменения в параметрах могут привести к значительным колебаниям в результатах, но это также подчеркивает сложность и тонкость настройки моделей, а не их ограниченность. В этих сложностях и кроется потенциал для дальнейших открытий и улучшений
@Pythoncode-daily2 місяці тому
Вы правы! Если бы в этом не было смысла, то на это не было потрачено теперь уже сотен миллиардов долларов. Но если Вы проводите миллиарды тренировок модели, то периодически на выходе Вы будете получать потрясающие результаты. Но будут ли они гарантировать, что применение модели будет столь же эффективным и в других экспериментах. Я не предполагал, что эти попытки нужно остановить ( тем более в них вложены такие огромные деньги, что никто на это никогда не решится).. Я лишь предостерегал от обольщения успехами, которые могут носить комбинаторную основу. Но это лишь субъективный взгляд на эти процессы, за который я не стану держаться. Что меня действительно смущает, это то, что если бы такие ресурсы, как тратятся на обучение только одной современной модели были потрачены на другие области человеческой жизнедеятельности, то их эффективность была бы в сотни раз выше. Они могли бы спасти или улучшить жизни. Но из них не получилось бы раздуть пузырь и загнать капитализацию NVDA на немыслимые высоты.
@musicforyou13805 місяців тому
у вас стырили деньги? о чем вы? конечно дизлайк за такую риторику....глупо и стыдно
@Pythoncode-daily5 місяців тому
Я не был столь категоричен в своих оценках. Но Вы правы - на месте Фейсбук ( Меты) вкладывать деньги в продукт, который дает столь нелепые прогнозы как Prophet - это и глупо и стыдно! Ведь, под влиянием авторитета разработчика, люди могут использовать их для решения важных задач. А это чревато непредсказуемыми последствиями..
@user-hg4dk5no7o10 місяців тому
Странный формат, комментирует чужой код без конкретики и объяснений. Как распаковка посылок с алика))) Тема интересная, но видео бестолковое.
@Pythoncode-daily10 місяців тому
Спасибо за ответ! Вы правы , Евгений! Однако, хотим мы того или нет, но в 99.999999% случаев нам приходится пользоваться элементами кода, который уже давно был кем-то создан. Даже значительная часть бизнеса Майкрософт построенна на коде "притыренном" у разработчиков на GitHub. Для меня написание кода - это комбинаторная игра, в которой мы сочетаем различные известные элементы кода для того, чтобы в последствии получать нужный нам результат. В данном видео мне было важно понять стоит ли тратить время на то, чтобы использовать раскрученные методы предсказания временных рядов в той предметной области, которая меня интересовала. Полученный отрицательный ( по сути) результат тоже полезный результат. Он сэкономил мне огромное колличество времени.