Исследование методов автоматического машинного обучения в задаче прогнозирования временных рядов
Аннотация
Данная работа посвящена сравнению популярных AutoML-фреймворков, используемых для прогнозирования временных рядов.
В фокусе исследования - алгоритмы оптимизации гиперпараметров, применяемые в каждом фреймворке.
Актуальность исследования обусловлена растущей потребностью в автоматизации процесса машинного обучения, особенно в задачах прогнозирования временных рядов, которые находят широкое применение в различных областях.
Цель работы - сравнительный анализ AutoML-фреймворков для прогнозирования временных рядов с акцентом на особенности используемых алгоритмов оптимизации гиперпараметров.
Проведены эксперименты для оценки качества прогнозирования, времени обучения и потребления ресурсов. Каждый эксперимент оформлен в виде python скрипта.
Результаты работы позволят выявить особенности реализации алгоритмов оптимизации гиперпараметров в каждом из рассмотренных фреймворков.
Практическая значимость работы заключается в возможности выбора оптимального AutoML-фреймворка для решения задач прогнозирования временных рядов с учетом специфики данных и требований к точности прогноза.
В фокусе исследования - алгоритмы оптимизации гиперпараметров, применяемые в каждом фреймворке.
Актуальность исследования обусловлена растущей потребностью в автоматизации процесса машинного обучения, особенно в задачах прогнозирования временных рядов, которые находят широкое применение в различных областях.
Цель работы - сравнительный анализ AutoML-фреймворков для прогнозирования временных рядов с акцентом на особенности используемых алгоритмов оптимизации гиперпараметров.
Проведены эксперименты для оценки качества прогнозирования, времени обучения и потребления ресурсов. Каждый эксперимент оформлен в виде python скрипта.
Результаты работы позволят выявить особенности реализации алгоритмов оптимизации гиперпараметров в каждом из рассмотренных фреймворков.
Практическая значимость работы заключается в возможности выбора оптимального AutoML-фреймворка для решения задач прогнозирования временных рядов с учетом специфики данных и требований к точности прогноза.