Summary  
This chapter introduces time series forecasting using recurrent neural networks (specifically LSTM and GRU), covering how to prepare sequential data, train the model, and evaluate its ability to predict future values.  

General domain of usage  
Finance

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, що збираються послідовно у часі. Він передбачає 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?

Опановуйте рекурентні нейронні мережі та їхні розширені варіанти, такі як LSTM і GRU, використовуючи PyTorch. Отримайте практичний досвід обробки послідовних даних для реальних застосувань. Застосовуйте ці потужні моделі для вирішення практичних завдань прогнозування часових рядів і різноманітних задач обробки природної мови.

Охоплює обмеження традиційних нейронних мереж для послідовних даних та знайомить з основами рекурентних нейронних мереж. Пояснює архітектуру RNN, типи та покрокову реалізацію на базових прикладах і через практичне завдання з програмування.

Розглядаються поширені проблеми навчання, такі як зникнення та вибух градієнтів. Представляються просунуті варіанти RNN, зокрема LSTM та GRU, з акцентом на їхні внутрішні механізми та сфери застосування, а також практичні приклади реалізації для кожного.

Зосереджено на обробці та прогнозуванні даних часових рядів за допомогою моделей на основі RNN. Містить завантаження даних, методи попередньої обробки, навчання моделей і оцінювання продуктивності з акцентом на порівнянні архітектур LSTM і GRU.

Демонструє застосування RNN до завдань класифікації тексту. Охоплює основні поняття NLP, методи кодування тексту, етапи підготовки даних та побудову моделі на основі LSTM для прогнозування сентименту.

Вступ до Прогнозування Часових Рядів

Виклики