Cenu prognozēšana ar dziļo mācīšanos nav maģija. Tā ir rūpīga datu sagatavošana, modeļa izvēle un kļūdu analīze — un tas prasa laiku.
Ko šeit aplūkojam
Kurss sākas ar laika rindu specifiku: kāpēc parastie regresijas modeļi bieži vien neder un kādās situācijās LSTM tīkli var sniegt labākus rezultātus.
Paralēli apgūstam datu priekšapstrādi — normalizāciju, trūkstošo vērtību aizpildīšanu, sezonalitātes nodalīšanu. Bez šiem soļiem modelis nestrādās.
Ar kādiem datiem strādājam
Izmantojam publiski pieejamas izejvielu un enerģijas tirgus cenas. Tas ļauj vingrināties ar reāliem, nesakopto datu kopām — ar trokšņiem, izlēcieniem un datumsēriju pārtraukumiem.
Kursa dalībniece Agrita Liepiņa atzina, ka vislielākās grūtības sagādāja nevis modelis, bet gan datu tīrīšana — ko arī vajadzēja sagaidīt.
Kursa dalībniece, 2024
Praktiskie uzdevumi
Katrs modulis beidzas ar uzdevumu, kurā jāpielieto apgūtais uz konkrētu datu kopu. Nav gatavu atbilžu — ir mentoru pārbaude un grupas apspriešana.
Kursa beigās dalībnieki izveido savu prognozēšanas cauruļvadu, ko var pielāgot dažādiem datu avotiem.