Tutoriais¶
Notebooks curtos, um tema cada, no estilo dos tutoriais do PyCaret. Estão em
notebooks/ no repositório, já com as saídas, que aparecem aqui.
01. Início rápido — AutoHybTS: o fluxo completo numa série, com figuras.
02. Busca de híbridos e seleção incremental: como a busca monta os híbridos e por que um desafiante é aceito ou recusado.
03. Finalizar, salvar e carregar: finalizar, avaliar uma vez no teste selado, salvar, carregar e prever em produção.
04. Variante B: previsão rolling de um passo: variante B em streaming, base e correção a cada passo, A × B no mesmo trecho.
05. Benchmarks: M4, M3 e Rdatasets: M4, M3 e Rdatasets com o teste oficial selado (baixa dados na primeira execução).
06. Comparar modelos e validação cruzada temporal: comparação estatística de finalistas e validação cruzada temporal.
07. Painel de séries: várias séries no mesmo experimento: várias séries no mesmo experimento.
08. Famílias avançadas e ajuste de hiperparâmetros: estágios, decomposição, combinação e ajuste de hiperparâmetros.
09. Ablação do procedimento de seleção: ablação do procedimento de seleção (pesado: cerca de 1 h).
10. Modelos próprios: PyTorch, TensorFlow/Keras e outras bibliotecas: modelos de PyTorch, TensorFlow/Keras e outras bibliotecas (pesado).
11. Calibração da regra de aceite: calibração da regra de aceite em controles com resposta conhecida.
12. Baselines, boosting e corretores opcionais: baselines, boosting e corretores opcionais.
13. Ensembles e ensembles de híbridos: ensembles de modelos e de híbridos.
14. Demanda intermitente: demanda intermitente: Croston, TSB, ADIDA, IMAPA.
15. Modelos automáticos do StatsForecast: modelos automáticos do StatsForecast (ambiente com pandas 2.x).
16. Diagnóstico da série: sazonalidade, estacionariedade e diferenças: sazonalidade, estacionariedade, diferenças e caracterização.
17. Estudo com as séries clássicas de benchmark: 17 séries clássicas em três classes, cinco modelos (com o híbrido ARIMA–ANN), protocolos A e B, 3, 6 e 12 lags e horizontes até 12 (baixa dados na primeira execução).
18. Análise de experimentos com SQL: experimentos gravados em SQLite e analisados com consultas SQL.
19. Fluxo de MLOps para o preço de uma commodity: fluxo de MLOps com o preço de uma commodity: registro, promoção, previsões diárias, monitoramento e retreino com portão.
20. Séries com variáveis exógenas: séries com variáveis exógenas: past × future, oráculo, seleção automática e com × sem exógenas em benchmarks (baixa dados na primeira execução).
21. MLOps com exógenas: demanda elétrica real: MLOps com exógenas em dados reais: demanda elétrica diária de Victoria com previsão do tempo, feriado e fim de semana (baixa dados na primeira execução).
22. Projeto com o M4 diário: seleção guardada, retomada e custo: projeto com o M4 diário só no treino oficial: seleção guardada contra o menor erro, registro e retomada no SQLite e custo (baixa dados na primeira execução).