1. Préparation des données de séries temporelles
Lecture des données, interfaçage avec les bases de données de séries temporelles
Transformation de données et structuration pour la modélisation
Traitement des valeurs manquantes (méthodes de remplacement et d’imputation)
Opérations d’agrégations temporelles
Ajout de variables externes, calendriers (module holidays)
2. Visualisation des séries
Présentation des différentes bibliothèques pour la visualisation de séries (matplotlib & seaborn, plolty)
Pratique des différents types de graphiques utilisés pour représenter des séries temporelles
3. Méthodes statistiques
Rappel méthodologique (Box-Jenkins) : tests de stationarité, auto-corrélation et auto-corrélation partielle
issages, modèles auto-régressifs (Holt-Winters, AR, ARMA, ARIMA, avec statsmodels)
Utilisation de Prophet (atelier dédié)
4. Deep learning & autres méthodes de modélisation
Application des réseaux de neurones récurrents (LSTM)
Utilisation de transformations de Fourier
5. Evaluation de la performance des modèles
Méthode de validation de la performance
Métriques, intervalles de confiance
6. Automatisation des prévisions en masse
Première approche de l’automatisation de la construction de modèles de prévision en grand nombre
7. Atelier pratique
Réalisation d’un projet pratique de prévision soit sur un jeu de données de référence, soit sur un jeu de données choisi pour la session
