Summary  
This chapter covers time series forecasting using recurrent neural networks—specifically LSTM and GRU—to model evenly spaced sequential data points and predict future values based on historical observations.

General domain of usage  
Finance (stock price prediction)

Поняття **прогнозування часових рядів** розглядається з акцентом на його застосування для **прогнозування біржових котирувань**. Прогнозування часових рядів полягає у передбаченні майбутніх значень на основі раніше спостережених даних, що робить його цінним у таких сферах, як фінанси, прогнозування погоди та управління запасами.


**Аналіз часових рядів** — це процес аналізу даних, які збираються послідовно у часі. Він включає виявлення закономірностей, трендів і сезонності у даних для прогнозування майбутніх значень.

Визначення

### Виклики
Прогнозування часових рядів, особливо для цін акцій, супроводжується складнощами, такими як **шум**, **волатильність ринку** та **зовнішні фактори**. Успішність моделі прогнозування залежить від якості даних і здатності моделі виявляти приховані закономірності.

Підсумовуючи, прогнозування часових рядів є важливим інструментом для передбачення майбутніх цін акцій і прийняття обґрунтованих рішень на фінансових ринках. Основні етапи — збір даних, попередня обробка, вибір моделі, навчання та оцінювання — складають основу успішного проєкту прогнозування.


Яке з наведеного НЕ є типовим застосуванням прогнозування часових рядів?

Зосередження виключно на рекурентних нейронних мережах (RNN) та їх застосуванні для генерації послідовностей. Цей поглиблений модуль охоплює основну теорію RNN і практичні підходи до моделювання послідовних даних, готуючи до практичної роботи з мережами LSTM і GRU на Python.

Вступ до прогнозування часових рядів

Виклики