Séries temporelles et prévisions par machine learning

• Modéliser des séries temporelles et produire des prévisions
• Détecter tendance, saisonnalité et anomalies dans les données
• Évaluer la fiabilité des prévisions face aux décisions à prendre

Data analysts, contrôleurs de gestion, planificateurs, ingénieurs

Connaître Python ou un outil d’analyse et les statistiques de base

• Définir les principales caractéristiques d’une série temporelle
• Visualiser tendance, saisonnalité et cycles dans une série
• Traiter les valeurs manquantes et les ruptures de série
• Construire des modèles de référence simples comme base de comparaison
• Appliquer des modèles statistiques classiques de prévision
• Créer des variables de décalage et de calendrier pour le machine learning
• Entraîner un modèle d’apprentissage sur des données chronologiques
• Valider un modèle par découpage temporel sans fuite d’information
• Mesurer l’erreur de prévision et fournir des intervalles d’incertitude
• Communiquer les prévisions et leurs limites aux décideurs

• Décomposer une série en tendance, saisonnalité et résidu
• Produire une prévision et la comparer à un modèle simple
• Calculer l’erreur de prévision sur une période de test

• Modèle de notebook de prévision sur série temporelle
• Check list de validation temporelle d’un modèle prédictif
• Fiche repère des modèles de prévision usuels et de leurs limites