Five Ways to Fine-Tune Chronos-2, the Time Series Foundation Model
在本系列的第 1 部分中，我们介绍了 Chronos-2，一个时间序列基础模型。我们亲身体验了一个真实的案例研究，看到了 Chronos-2 可以直接开箱即用地做什么，无需任何培训。但正如我们在第 1 部分末尾指出的那样，零样本并不总是足够的。在案例中[…]微调 Chronos-2 的五种方法后，时间序列基础模型首先出现在走向数据科学上。
7 Steps to Mastering Time Series Analysis with Python
本文分解了 7 个关键步骤，帮助您使用 Python 分析和预测时间序列数据。
Amazon Quick integration with time-series databases for market intelligence using MCP
在这篇文章中，我们将介绍使用 KDB-X MCP 服务器与 Amazon Quick 集成的实际实施，演示交易者和分析师如何使用对话语言提出问题并从数据集中获取可操作的见解。您可以在各个领域应用相同的集成模式，从金融市场分析到物联网传感器监控，再到 DevOps 性能仪表板，您需要在这些领域简化对时间序列见解的访问。
Mocking a Year of IoT Sensor Time Series Data with Mimesis
在本指南中，您将了解生成一年的每日温度读数的过程，模仿看起来真实的季节性曲线 - 所有这些都与设备级元数据一起，并准备基于开源框架进行构建。
Five Questions About Chronos-2, the Time Series Foundation Model
第 1 部分：从业者对单变量、多变量、协变量通知和冷启动预测的演练。关于 Chronos-2 的五个问题（时间序列基础模型）首先出现在《走向数据科学》上。
Introducing ARFBench: A time series question-answering benchmark based on real incidents
每年由于系统故障造成的损失超过一万亿美元。为了解决这些问题，工程师必须快速排除故障。事件响应中的一项重要任务涉及分析可观测性指标或反映软件系统运行状况的时间序列数据。例如，服务工程师可能会使用 Datadog 来回答诸如“延迟何时开始增加？”之类的问题。以及“延迟之外的哪些指标也表现异常？”定位异常行为的根本原因。这些时间序列问答 (TSQA) 任务对于工程师来说至关重要，并且为 SRE 模型和代理提供了具有挑战性且必要的任务。在这项工作中，我们探讨了 AI 模型执行 TSQA 任务的程度。为此，我们很高兴推出异常推理框架基准 (ARFBench)，这是一个 TSQA 基准，源自 Datado
Time-Series Feature Engineering with Python Itertools
Learn how to use Python itertools to build efficient and scalable time series features.
5 Useful Python Scripts for Time Series Analysis
时间序列数据在金融、运营、工程和研究领域很常见。这五个 Python 脚本涵盖了重复出现的分析任务。
Timer-XL: A Long-Context Foundation Model for Time-Series Forecasting
探索仅解码器 Transformer 基础模型的内部工作原理后置 Timer-XL：用于时间序列预测的长上下文基础模型首先出现在 Towards Data Science 上。
■概要 美国寿险公司普通账户中股票占比仍维持在2.3%的较低水平。 120 年前的阿姆斯特朗研究至今仍被认为是其中的一个因素。 1905年，当时三大寿险公司之一的Equitable的内部冲突，增加了公众对寿险公司实际管理的兴趣。对此，由参议员威廉·阿姆斯特朗领导的纽约州参众两院联合委员会对人寿保险行业进行了调查。次年（1906年）发布的一份调查报告提出了针对整个人寿保险业务的纠正性立法措施，并于同年在纽约州颁布为法律。它还对其他州的保险管理产生了重大影响。当时，人寿保险公司是美国最大的金融机构，下属商业银行。由于调查揭露了管理层个性化等丑闻，寿险公司不可避免地被剥夺了控制其他业务的手段。此后大
