В этой статье, я опишу некоторые основные понятия в теории анализа временных рядов, классические статистические алгоритмы прогнозирования и интересные алгоритмы машинного обучения, которые применяются для временных рядов

Если Вы готовы погрузиться в одну из очень интересных тем статистики и Вы любитель машинного обучения, продолжайте читать :-)

https://habr.com/ru/post/693562/?utm_source=habrahabr&utm_medium=rss&utm_campaign=693562

Известно множество практик борьбы с выбросами во входных данных – применяются как статистические методы, так и ML/DL-подходы. Каждый специалист по анализу данных использует их в процессе предобработки данных. Однако часто при этом отсеиваются исключительно ценные замеры, которые на самом деле выбросами не являются, а представляют собой редко встречающиеся состояния измеряемого объекта или процесса.

"А стоит ли возиться с этими "редкими" состояниями?", – спросит нас любознательный читатель. "Да", – уверенно ответим мы и далее приведем один простой и показательный пример, а сразу за ним расскажем, как извлечь пользу из этих редких состояний. Конкретнее – мы предложим подход для генерации дополнительных измерений в задачах восстановления регрессии временного ряда.

Под "мы" здесь и далее имеются в виду я – Семён Косяченко – и мои коллеги Александр Подвойский и Александр Калиниченко. Вместе мы разрабатываем решения на основе ML для нефтегазовой отрасли в компании "Цифровая индустриальная платформа" (совместное предприятие ГК "Цифра" и "Газпром нефть").

https://habr.com/ru/post/678134/?utm_source=habrahabr&utm_medium=rss&utm_campaign=678134

Известно, что для получения достоверных выводов качественное исследование должно подкрепляться количественным, однако этот шаг нередко опускают по самым разным причинам. Часто команды приблизительно оценивают TAM-SAM-SOM рынка, на который они планируют выходить и после этого сразу переходят к фреймворку JTBD, чтобы понять смогут ли они сделать так, чтобы будущие пользователи выполняли свою большую и маленькие джобы быстрее/удобнее/дешевле, чем у конкурентов.

Замечательно, если при этом команды безошибочно подбирают репрезентативную выборку предполагаемой ЦА, мотивация к покупке будущего продукта которой подтверждена. На практике многие пользуются магическими числами необходимого числа интервью, типа 12-15-16, и если большинство интервьюируемых удовлетворило требованиям, то выполнение задачи считается успешным, что с точки зрения статистики еще ничего не значит.

https://habr.com/ru/post/672478/?utm_source=habrahabr&utm_medium=rss&utm_campaign=672478