Ebook Time Series Forecasting Sử Dụng Foundation Models [Ấn Bản Lần 1, Tháng 11/2025] [PDF + CODE] [9167E]
Đưa ra các dự đoán chuỗi thời gian chính xác với các pretrained foundation model mạnh mẽ!
Bạn không cần phải mất hàng tuần, thậm chí hàng tháng, để coding và training các mô hình của riêng mình cho time series forecasting. "Time Series Forecasting Sử Dụng Foundation Models" hướng dẫn bạn cách đưa ra các dự đoán chính xác bằng cách sử dụng các pretrained model linh hoạt.
Trong "Time Series Forecasting Sử Dụng Foundation Models", bạn sẽ khám phá:
- ✓ Hoạt động bên trong của các large time model.
- ✓ Zero-shot forecasting trên các tập dữ liệu tùy chỉnh.
- ✓ Fine-tuning các foundation forecasting model.
- ✓ Evaluating các large time model.
"Time Series Forecasting Sử Dụng Foundation Models" sẽ hướng dẫn bạn cách thực hiện dự báo hiệu quả bằng các time series model mạnh mẽ đã được đào tạo sẵn trên hàng tỷ điểm dữ liệu. Bạn sẽ thích thú với các ví dụ thực hành cho thấy những gì bạn có thể đạt được với các mô hình tuyệt vời này. Trong quá trình học, bạn sẽ tìm hiểu cách thức hoạt động của các time series foundation model, cách fine-tune chúng và cách sử dụng chúng với dữ liệu của riêng bạn.
Về công nghệ:
Time-series forecasting là nghệ thuật phân tích dữ liệu lịch sử, có dấu thời gian để dự đoán kết quả trong tương lai. Các foundational time series model như TimeGPT và Chronos, được đào tạo trước trên hàng tỷ điểm dữ liệu, giờ đây có thể bổ sung hoặc thay thế hiệu quả các time-series model tùy chỉnh được xây dựng tỉ mỉ.
Về cuốn sách:
"Time Series Forecasting Sử Dụng Foundation Models" khám phá kiến trúc của các large time model và hướng dẫn bạn cách sử dụng chúng để tạo ra các dự đoán nhanh chóng và chính xác. Bạn sẽ học cách fine-tune các time model trên dữ liệu của riêng mình, thực thi zero-shot probabilistic forecasting, point forecasting, v.v. Bạn thậm chí sẽ tìm ra cách lập trình lại một LLM thành một time series forecaster - tất cả đều dựa trên các ví dụ chạy trên một laptop thông thường.
Bên trong có gì:
- ✓ Các large time model hoạt động như thế nào.
- ✓ Zero-shot forecasting trên các tập dữ liệu tùy chỉnh.
- ✓ Fine-tuning và evaluating các foundation model.
Về người đọc:
Dành cho các data scientist và machine learning engineer đã quen thuộc với những kiến thức cơ bản về lý thuyết time series forecasting. Ví dụ bằng Python.
Mục lục:
- ✓ Phần 1. Sự trỗi dậy của các foundation machine learning model:
- ✓ Chương 1. Tìm hiểu về các foundation model:
- + 1.1 Định nghĩa một foundation model.
- + 1.2 Khám phá transformer architecture.
- + 1.3 Ưu điểm và nhược điểm của các foundation model.
- + 1.4 Các bước tiếp theo.
- ✓ Chương 2. Xây dựng một foundation model:
- + 2.1 Khám phá kiến trúc của N-BEATS.
- + 2.2 Kiến trúc của N-BEATS.
- + 2.3 Pretraining model.
- + 2.4 Pretraining N-BEATS.
- + 2.5 Transfer learning với pretrained model.
- + 2.6 Fine-tuning pretrained model.
- + 2.7 Đánh giá từng phương pháp.
- + 2.8 Dự báo ở tần suất khác.
- + 2.9 Hiểu những thách thức khi xây dựng một foundation model.
- + 2.10 Các bước tiếp theo.
- ✓ Phần 2. Các foundation model được phát triển cho forecasting:
- ✓ Chương 3. Forecasting với TimeGP:
- + 3.1 Định nghĩa các generative pretrained transformer.
- + 3.2 Khám phá TimeGPT.
- + 3.3 Forecasting với TimeGPT.
- + 3.4 Fine-tuning với TimeGPT.
- + 3.5 Forecasting với các exogenous variable.
- + 3.6 Cross-validating với TimeGPT.
- + 3.7 Forecasting trên một long horizon với TimeGPT.
- + 3.8 Phát hiện bất thường với TimeGPT.
- + 3.9 Các bước tiếp theo.
- ✓ Chương 4. Zero-shot probabilistic forecasting với Lag-Llama:
- + 4.1 Khám phá Lag-Llama.
- + 4.2 Forecasting với Lag-Llama.
- + 4.3 Fine-tuning Lag-Llama.
- + 4.4 Model comparison table.
- + 4.5 Các bước tiếp theo.
- ✓ Chương 5. Learning the language of time với Chronos:
- + 5.1 Khám phá T5 family.
- + 5.2 Khám phá Chronos.
- + 5.3 Sử dụng tokenization trong Chronos.
- + 5.4 Training một model với Chronos.
- + 5.5 Forecasting with Chronos.
- + 5.6 Cross-validating với Chronos.
- + 5.7 Fine-tuning Chronos.
- + 5.8 Detecting anomalies với Chronos.
- + 5.9 Các bước tiếp theo.
- ✓ Chương 6. Moirai: Một universal forecasting transformer:
- + 6.1 Khám phá Moirai.
- + 6.2 Khám phá Moirai-MoE.
- + 6.3 Forecasting với Moirai.
- + 6.4 Detecting anomalies với Moirai.
- + 6.5 Các bước tiếp theo.
- ✓ Chương 7. Deterministic forecasting với TimesFM:
- + 7.1 Examining TimesFM.
- + 7.2 Forecasting với TimesFM.
- + 7.3 Fine-tuning TimesFM và anomaly detection.
- + 7.4 Các bước tiếp theo.
- ✓ Phần 3. Sử dụng LLM cho time-series forecasting:
- ✓ Chương 8. Forecasting as a language task:
- + 8.1 Tổng quan về các LLM và các kỹ thuật prompting.
- + 8.2 Forecasting với Flan-T5.
- + 8.3 Cross-validation với Flan-T5.
- + 8.4 Forecasting với exogenous features với Flan-T5.
- + 8.5 Detecting anomalies với Flan-T5.
- + 8.6 Forecasting với Llama-3.2.
- + 8.7 Cross-validating với Llama-3.2.
- + 8.8 Detecting anomalies với Llama-3.2.
- + 8.9 Các bước tiếp theo.
- ✓ Chương 9. Lập trình lại một LLM cho forecasting:
- + 9.1 Khám phá Time-LLM.
- + 9.2 Forecasting với Time-LLM.
- + 9.3 Cross-validating với Time-LLM.
- + 9.5 Detecting anomalies với Time-LLM.
- + 9.6 Các bước tiếp theo.
- ✓ Phần 4. Capstone Project:
- ✓ Chương 10. Capstone project: Dự báo lượt truy cập blog hàng ngày:
- + 10.1 Giới thiệu use case.
- + 10.2 Duyệt qua project.
- + 10.3 Cập nhật thông tin.