Hacker News · 17.06.2026 ·Данные и инжиниринг

Как построить ML-пайплайн для временных рядов

Компания DolphinDB Inc поделилась подробным гайдом по созданию полноценного машинного обучения для временных рядов. От сбора данных до обучения моделей — статья охватывает все этапы процесса.

Авторы начинают с загрузки и предобработки сырых данных, включая очистку и нормализацию. Затем они переходят к выбору признаков и разбиению данных на обучающую и тестовую выборки.

Особое внимание уделено выбору алгоритмов и обучению моделей. В статье рассматриваются различные подходы, включая классические методы и современные нейросетевые архитектуры.

В завершение авторы обсуждают оценку качества моделей и их развертывание в продакшн. Гайд будет полезен как новичкам, так и опытным специалистам, работающим с временными рядами.

Источник: Hacker News

Похожие материалы

Hacker News · Обучение и дообучение Как построить корпоративный цикл обучения ИИ Компании всё чаще осознают, что для эффективного использования ИИ необходимо не только внедрять готовые модели, но и создавать собственные циклы обучения. В новом посте на Twitter Lakshya Agrawal, инженер из Mistral AI, подробно рассказывает о том, как можно организовать корпоративный цикл обучения ИИ, который позволит компаниям не только использовать, но и улучшать модели под свои задачи. Hugging Face - Blog · Память и RAG Обучение мультимодальных моделей эмбеддингов и ранжирования Hugging Face выпустила гайд по обучению и тонкой настройке мультимодальных моделей эмбеддингов и ранжирования на базе Sentence Transformers. Это важно для разработчиков ИИ-агентов, так как мультимодальные эмбеддинги позволяют обрабатывать текстовые и визуальные данные в едином пространстве представлений, что критично для систем RAG (Retrieval-Augmented Generation). NVIDIA Technical Blog · Модели и релизы Как создать модель для анализа транзакций NVIDIA опубликовала руководство по созданию собственной модели для анализа транзакций. В материале объясняется, как обрабатывать данные о платежах для выявления паттернов поведения пользователей. Hacker News · Модели и релизы Как мелкие модели могут конкурировать с крупными Исследователи из DeepClause предложили метод, позволяющий мелким языковым моделям демонстрировать производительность, сопоставимую с крупными аналогами. В статье на Substack они объясняют, что ключевым фактором является не количество параметров, а эффективность архитектуры и стратегии обучения. arXiv · Память и RAG DYNA: динамическая память для ИИ-агентов на основе временных графов Исследователи из MIT и других университетов предложили фреймворк DYNA, который решает проблему забывания знаний у больших языковых моделей (LLM). DYNA использует временной знаний граф, где события — это узлы, а временные отношения — направленные, временно помеченные рёбра. Этот граф служит внешней, обновляемой памятью, что позволяет LLM работать с новыми данными без переобучения. Hacker News · Машинное обучение Next-Latent Prediction Transformers: компактные мировые модели Исследователи представили новый подход к созданию мировых моделей — Next-Latent Prediction Transformers (NLP-T). В отличие от традиционных моделей, NLP-T используют компактные представления, что позволяет значительно снизить вычислительные затраты при сохранении высокой точности. arXiv · Машинное обучение Новый метод прогнозирования временных рядов с учётом межканальных корреляций Исследователи предложили новый подход к прогнозированию временных рядов, который учитывает межканальные корреляции. В статье, опубликованной на arXiv, авторы утверждают, что существующие модели часто игнорируют взаимосвязи между различными каналами данных, что приводит к менее точным прогнозам. arXiv · Обучение и дообучение Новый метод обучения LLM через промежуточное RL Исследователи предложили новый подход к обучению языковых моделей (LLM) с использованием reinforcement learning (RL) на промежуточном этапе обучения. В статье, опубликованной на arXiv, авторы показывают, что традиционные методы RL с редкими наградами (sparse reward RL) сильно зависят от начальной подготовки модели. NVIDIA Technical Blog · Машинное обучение Как оптимизировать трансформеры для обучения с низкой точностью Трансформеры лежат в основе многих современных языковых и генеративных моделей. С ростом их размера увеличивается и потребление вычислительных ресурсов, особенно GPU. NVIDIA предложила методы оптимизации для обучения моделей с низкой точностью, что позволяет снизить нагрузку на оборудование. arXiv · Машинное обучение Новый метод обучения dLLMs через самодистилляцию Исследователи предложили новый подход к обучению диффузионных языковых моделей (dLLMs) — on-policy self-distillation (OPSD). Этот метод уже показал свою эффективность для обычных языковых моделей, но его применение к dLLMs оставалось неизученным.

← Все материалы