Материалы курса представлены в репозитории https://github.com/MVRonkin/TimeSeriesCourse/tree/main/2026 Материалы состоят

1. из лекционных презентаций по следующим темам

1.1. Введение в предмет анализ временных рядов

1.2. Модели ВР и постановка задач предсказания значений ВР

1.3. Статистические свойства ВР

1.4. Разложение ВР и наивные методы предсказания

1.5. Методы на основе экспоненциального сглаживания

1.6. Методы авторегрессии-скользящего среднего.

1.7. Оценка качества предсказания ВР (метрики)

1.8. Анализ невязок предсказаний ВР (остаточная часть)

1.9. Оценка надежности предсказаний ВР

1.10. Методы предсказания ВР с использованием машинного обучения.

1.11. Методы работы с многомерными ВР

1.12. Обнаружение аномалий Во ВР

1.13. Глубокое обучение нейронных сетей в приложениях анализа ВР

1.14. Особенности работы с индустриальными ВР

1.15. Задача классификации ВР (доп. Раздел)

1.16. Задачи непараметрического анализа слжных ВР (доп. Раздел).

2. материалов практик в формате ipynb по следующим темам

• 2.1. Визуализация и предварительный анализ ВР
• 2.2. Фреймворки для решения задач предсказания ВР
• 2.3. Методы авторегрессии-скользящего среднего
• 2.4. Оценка качеста предсказаний ВР
• 2.5. Продвинутые техники использования фреймворков в задачах предсказания ВР
• 2.6. Использование методов машинного обучения в задачах предсказания ВР
• 2.7. Использование методов глубоких нейронных сетей в задачах предсказания ВР
• 2.8. Решение задач поиска аномалий во ВР
• 2.9. Решение задач классификации ВР (доп. Раздел).

3. итогового задания https://github.com/MVRonkin/TimeSeriesCourse/blob/main/2026/README.md

4. материалов контрольных работ и тестов.

литература:

• Rob J H Forecasting: Principles and Practice, the Pythonic Way - основной учебник
• Rob J H and G Athanasopoulos Forecasting: Principles and Practice (3rd ed) - расширенное описание глав, посвященных класическому АВР
• Nixtla statsforecas и GitHub документация - основной фреймворк по классике, GitHub docs2, GitHub Experiments
• Nixtla mlforecast и GitHub docs и GitHub docs2
• Nixtla neuralforecast и GitHub docs, GitHub docs2 and GitHub Experiments
• Nixtla blog github и тут
• Blog ODS TSA, GitHub Ru, GitHub En
• ШАД Ml handbook Chs 10.2-10.5

Основная доп литература

• Bianchi F M Time series analysis with Python [GitHub](https://github.com/FilippoMB/python-time-series-handbook / ) - простое Pythonic Way изложение классического моделирования ВР
• skforecast и [примеры к skforecast](/ https://cienciadedatos.net/documentos/py27-time-series-forecasting-python-scikitlearn.html) - полезное и хорошее описание примеров предсказания ВР
• statsmodels.tsa и [user guide](/ https://www.statsmodels.org/stable/user-guide.html#time-series-analysis) - классический фреймворк моделирования ВР

доп литература

• Forecasting and Analytics with the Augmented Dynamic Adaptive Model (ADAM)
• https://clauswilke.com/dataviz/
• https://github.com/M-3LAB/awesome-industrial-anomaly-detection
• https://nicolarighetti.github.io/Time-Series-Analysis-With-R/
• https://rc2e.com/timeseriesanalysis
• https://mlcourse.ai/book/topic09/topic9_part1_time_series_python.html
• https://wesmckinney.com/book/time-series
• https://jakevdp.github.io/PythoмnDataScienceHandbook/03.11-working-with-time-series.html
• Time Series with Deep Learning Quick https://dl.leima.is/time-series/
• https://github.com/aeon-toolkit/aeon-tutorials/tree/main
• https://github.com/sktime/python_brasil_2025
• https://www.analyticsvidhya.com/blog/2015/12/complete-tutorial-time-series-modeling/
• http://www.stat.ucla.edu/~frederic/415/S23/tsa4.pdf

Какие то курсы

• https://github.com/youssefHosni/Hands-On-Time-Series-Analysis-with-Python
• https://github.com/LinkedInLearning/python-for-time-series-forecasting-5246009/tree/main
• https://github.com/aromanenko/ATSF/tree/main
• https://github.com/gheisenberg/TSF
• https://github.com/datons/TS/tree/
• https://github.com/oscar-defelice/TimeSeries-lectures
• https://github.com/j-adamczyk/ml_time_series_forecasting_course/
• https://github.com/trainindata/feature-engineering-for-time-series-forecasting/

Инструменты универсальные и предсказания

• https://www.sktime.net/en/stable/

• https://skforecast.org/

• https://nixtlaverse.nixtla.io/statsforecast/index.html /https://github.com/Nixtla/statsforecast

• https://www.statsmodels.org/stable/tsa.html / https://www.statsmodels.org/stable/user-guide.html#time-series-analysis

• https://unit8co.github.io/darts/

• https://lavinei.github.io/pybats/

• 25 years of open source forecasting software 2025

Инструменты TSC

• https://aeon-toolkit.org/
• https://timeseriesai.github.io/tsai/
• https://tsfel.readthedocs.io/
• https://github.com/predict-idlab/tsflex / https://predict-idlab.github.io/tsflex/
• https://github.com/valeman/awesome-conformal-prediction
• https://github.com/thuml/Time-Series-Library
• https://github.com/ritvikmath/Time-Series-Analysis

Инструменты обнаружения аномалий, перегиба, дрейфа новизны и тд

• https://riverml.xyz / https://habr.com/ru/companies/glowbyte/articles/681772/

• https://github.com/agpenas/tstrends

• https://github.com/thekimk/All-About-Time-Series-Analysis/

Тутроиалы

• https://github.com/aeon-toolkit/aeon-tutorials/tree/main
• https://github.com/sktime/python_brasil_2025
• https://github.com/sktime/sktime-workshop-pycon-colombia-2025/tree/main/notebooks
• https://github.com/Nixtla/blog/
• https://github.com/Nixtla/fpp3-python
• https://www.pymc-labs.com/blog-posts/probabilistic-forecasting
• https://www.pymc.io/projects/docs/en/latest/api/distributions/timeseries.html
• https://juanitorduz.github.io/short_time_series_pymc/
• https://neuralprophet.com/tutorials/index.html