Pēc LSTM apguves rodas jautājums: vai ir labāk? Transformer arhitektūras laika rindu prognozēšanā pēdējos gados ir uzrādījušas labākus rezultātus vairākos testos — taču ne vienmēr un ne visiem datu veidiem.
Kursa loģika
Nesākam ar teoriju. Sākam ar konkrētu problēmu: dalībnieki saņem netīrus rūpnieciskos datus un uzreiz strādā ar tiem. Teorija nāk vēlāk — kad rodas konkrēts jautājums.
Transformer laika rindām
Aplūkojam TFT un tā pielietojumu gadījumos, kur ir vairāki ievades mainīgie — piemēram, cena, apjoms un ārējie faktori vienlaikus.
Salīdzinām ar N-BEATS arhitektūru, kas specializējas laika rindu dekompozīcijā bez papildu pazīmēm.
Ansambļi un to jēga
Viens modelis reti ir pietiekams ražošanas vidē. Kurss paskaidro, kā apvienot vairāku modeļu prognozes, lai samazinātu dispersiju un uzlabotu stabilitāti.
Kopienas formāts
Kurss notiek grupās līdz 12 cilvēkiem. Dalībnieki apspriež savus risinājumus kopā — tas palīdz pamanīt kļūdas, ko pats neredzi.