Манохин

Современное прогнозирование временных рядов, Манохин В.С., 2026.

   Книга представляет собой комплексное руководство по прогнозированию временных рядов, объединяющее классические статистические методы (ARIMA, ETS), градиентный бустинг и современные нейросетевые архитектуры в едином рабочем процессе на Python. Ключевая особенность издания — глава о прогнозируемости (forecastability): семнадцать количественных метрик оценки предсказуемости ряда, позволяющих определить теоретический предел точности еще до выбора модели. Отдельные разделы посвящены корректному проектированию схемы валидации, обнаружению и компенсации дрейфа данных, а также построению воспроизводимых production-решений.
Издание предназначено специалистам по анализу данных, инженерам машинного обучения и исследователям, работающим с временными рядами. Она также будет полезна аспирантам, преподавателям и техническим руководителям в области прогнозной аналитики.

Конформное прогнозирование в Python, Манохин В., 2024.
    
   Данная книга предлагает углубленное изучение конформного прогнозирования — новейшего подхода, позволяющего получить количественную оценку неопределенности, необходимую для принятия уверенных и надежных решений в различных задачах машинного обучения. Вы познакомитесь с практическим применением этого подхода в таких задачах машинного обучения, как классификация, регрессия, прогнозирование временных рядов, компьютерное зрение и обработка естественного языка.
Издание предназначено специалистам по data science, ML-инженерам, ученым и всем, кто хочет улучшить свои навыки в области количественной оценки неопределенности в машинном обучении.
Для изучения материала понадобятся базовые знания в области машинного обучения и программирования на Python.

Методы слепого подавления помех при обработке полезных сигналов, Манохин А.Е., 2021.

Изложены методы подавления помех с использованием биспектральной обработки, алгоритмов слепого выделения (разделения) сигналов, алгоритмов на основе статистик высших порядков, адаптивных моделей, вейвлет- и векторно-матричного преобразования случайных процессов. Приводится классификация указанных методов и формулируется термин «слепые условия». Большинство изложенных методов реализованы в лабораторных работах на платформе Simulink. Предназначено для студентов, изучающих дисциплины, связанные с приемом и обработкой сигналов. Будет полезна аспирантам и научным работникам, занимающимся вопросами преодоления широкой априорной непараметрической неопределенности.