Contents Menu Expand Light mode Dark mode Auto light/dark, in light mode Auto light/dark, in dark mode Skip to content
AutoHybTS 1.0.0rc4
Logo

Primeiros passos

  • Instalação
  • Início rápido
  • Conceitos

Tutoriais

  • Tutoriais
    • 01. Início rápido — AutoHybTS
    • 02. Busca de híbridos e seleção incremental
    • 03. Finalizar, salvar e carregar
    • 04. Variante B: previsão rolling de um passo
    • 05. Benchmarks: M4, M3 e Rdatasets
    • 06. Comparar modelos e validação cruzada temporal
    • 07. Painel de séries: várias séries no mesmo experimento
    • 08. Famílias avançadas e ajuste de hiperparâmetros
    • 09. Ablação do procedimento de seleção
    • 10. Modelos próprios: PyTorch, TensorFlow/Keras e outras bibliotecas
    • 11. Calibração da regra de aceite
    • 12. Baselines, boosting e corretores opcionais
    • 13. Ensembles e ensembles de híbridos
    • 14. Demanda intermitente
    • 15. Modelos automáticos do StatsForecast
    • 16. Diagnóstico da série: sazonalidade, estacionariedade e diferenças
    • 17. Estudo com as séries clássicas de benchmark
    • 18. Análise de experimentos com SQL
    • 19. Fluxo de MLOps para o preço de uma commodity
    • 20. Séries com variáveis exógenas
    • 21. MLOps com exógenas: demanda elétrica real
    • 22. Projeto com o M4 diário: seleção guardada, retomada e custo

Guia: fundamentos

  • Escolher a configuração
  • Validação temporal sem vazamento
  • Variantes A e B: como a previsão encontra o futuro
  • Seleção incremental
  • Diagnóstico da série
  • Solução de problemas

Guia: dados

  • Dados e séries de referência
  • Várias séries (painel)
  • Variáveis exógenas

Guia: modelos

  • Modelos e bibliotecas
  • Referência dos modelos
  • StatsForecast (Nixtla)
  • Modelos próprios: PyTorch, TensorFlow e outras bibliotecas

Guia: busca

  • Espaço de busca e orçamento
  • Estratégias de sistemas híbridos
  • Ensembles e composições
  • Ajuste de hiperparâmetros

Guia: resultados e produção

  • Ler os resultados
  • Comparação de modelos e estratégias
  • Persistência e evidências
  • Registro de experimentos em SQLite
  • Modelos em produção (MLOps)

Guia: avaliar o procedimento

  • Avaliar o próprio procedimento

Referência

  • Referência da API
  • Referências

Projeto

  • Contribuindo
  • Manutenção
  • Versão 1 e publicação
  • Sobre
Back to top
Copyright © 2026, João Ataíde
Made with Sphinx and @pradyunsg's Furo