Time Series Forecasting Using Foundation Models
Книга представляет собой практическое руководство по применению современных фреймворков машинного обучения для прогнозирования временных рядов. Автор подробно рассматривает архитектуру и принципы работы трансформеров, которые легли в основу большинства современных моделей искусственного интеллекта.
В первой части книги объясняются фундаментальные концепции: что такое фреймворк-модели, как устроены трансформеры, их преимущества и ограничения. Рассматривается архитектура N-BEATS как пример построения базовой модели для прогнозирования.
Вторая часть посвящена конкретным фреймворкам для прогнозирования: TimeGPT, Lag-Llama, Chronos, Moirai и TimesFM. Для каждой модели подробно разбирается архитектура, процесс обучения, тонкая настройка и практическое применение с примерами кода.
Третья часть исследует использование больших языковых моделей (LLM) для задач прогнозирования временных рядов, включая репрограммирование LLM под специфические нужды прогнозирования.
Завершается книга капитанским проектом — прогнозированием ежедневных посещений блога с использованием изученных технологий, что позволяет закрепить полученные знания на реальном примере.
