В настоящее время одной из востребованных сфер продвинутой аналитики является анализ временных рядов. Примерами генерации такого рода данных могут служить сохраняемые данные измерительных приборов, детекторов различного рода.
На рынке присутствует достаточно небольшое количество предложений комплексных платформ для построения моделей глубокого обучения. В этой ситуации платформа (фреймворк) H2O является уникальным предложением, в силу бесплатности, комплексности, низкого порога входа и масштабируемости. Особый интерес к фреймворку диктуется также и тем, что разработчики предусмотрели возможность получения доступа к алгоритмам платформы в языках R и Python с помощью библиотек, а также наличия приложения Sparkling Water для Apache Spark. В аналитической платформе KNIME версии 4 в группе узлов KNIME Labs, Deep Learning имеются хорошо настраиваемые узлы, способные вызывать соответствующие алгоритмы H2O. На текущий момент реализованы ещё не все алгоритмы H2O, но процесс развития KNIME позволяет рассчитывать на то, что скоро будет реализовано и всё оставшееся. В статье приводятся общие сведения, а также пример использования платформы к задаче прогнозирования временных рядов. Показываются порядок применения функций, основные параметры настройки, а также особенности вызова, возникающие при работе на одиночном ПК при работе в R. Описывается процесс взаимодействия с web-интерфейсом и реализация функций в языке статистического программирования R. Продемонстрировано использование результатов моделирования, а именно относительной важности предикторов, в H2O для упрощения набора данных и повышения скорости сходимости алгоритма.
