Time Series Forecasting Using Python - eLearning

Acquérez des bases solides en matière de prévision des tendances futures grâce au cours Time Series Forecasting Using Python, conçu pour vous aider à transformer des données historiques en prévisions précises. Ce cours présente les techniques statistiques et d'apprentissage automatique essentielles utilisées pour analyser les données chronologiques et mettre en évidence des tendances, la saisonnalité et les cycles.

Vous explorerez des modèles de prévision largement utilisés tels que l'ARIMA, le lissage exponentiel et les approches basées sur la régression, ainsi que des techniques modernes permettant d'améliorer la précision des prévisions. Le cours met également en avant des applications concrètes dans divers secteurs tels que la finance, la planification de la demande et l'analyse commerciale.

À la fin du programme, vous serez capable de construire, d'évaluer et d'appliquer des modèles de séries chronologiques pour résoudre des problèmes de prévision réels et soutenir la prise de décision fondée sur les données.

Caractéristiques principales

• Cours et supports en anglais
• Niveau débutant
• 5 heures de vidéos à la demande
• 25 exercices pratiques
• 2 devoirs complets
• Plus de 10 heures de temps d'étude recommandé
• 1 an d'accès à la plateforme d'apprentissage
• Certificat de fin de programme inclus

Acquis d'apprentissage

• Maîtriser les concepts fondamentaux de l'analyse des séries chronologiques, y compris ses composantes et la stationnarité
• Explorer les techniques de prévision multivariées telles que les modèles SARIMAX et VAR
• Utiliser Facebook Prophet pour des prévisions de séries chronologiques rapides et précises
• Évaluer les performances des modèles à l’aide d’indicateurs clés pour mesurer la précision et la fiabilité
• Analyser des données de séries chronologiques réelles à l’aide de l’API Yahoo Finance pour extraire des informations financières pertinentes

Public cible

• Futurs data scientists et analystes de données
• Analystes métier travaillant avec des données commerciales, financières ou opérationnelles
• Ingénieurs logiciels en reconversion vers des postes en science des données
• Professionnels impliqués dans la planification de la demande ou la prévision
• Étudiants et diplômés s'orientant vers des carrières en analyse de données ou en IA
• Toute personne intéressée par l'analyse prédictive et les données temporelles

Prérequis

• Connaissances de base en statistiques et en probabilités
• Maîtrise de Python ou de tout autre langage de programmation (appréciée mais non obligatoire)
• Connaissances de base en traitement des données ou en Excel
• Capacité de réflexion analytique et logique
• Aucune expérience avancée en prévision n'est requise.

Contenu du cours

Le concept de séries chronologiques et ses composantes

• Le concept et la nécessité de l'analyse de séries chronologiques
• Granularité, fréquence et horizon dans l'analyse de séries chronologiques
• Extraction de données à l'aide de Yahoo Finance
• Composantes des séries chronologiques : niveau, tendance, saisonnalité, cyclicité et bruit
• Gestion des valeurs manquantes et des valeurs aberrantes dans les séries chronologiques
• Décomposition additive et multiplicative

Gestion de la stationnarité

• Bruit blanc
• Marche aléatoire
• Le concept de stationnarité
• Détection et gestion de la stationnarité
• Test statistique de détection de la stationnarité : test KPSS vs test ADF
• Test de causalité de Granger
• Détection d'anomalies à l'aide de la forêt d'isolation

Stationnarité et identification des décalages

• Autocorrélation et corrélation
• Test de causalité de Granger
• Fonction d'autocorrélation (ACF)
• Fonction d'autocorrélation partielle (PACF)
• Identification des décalages à l'aide de l'ACF et de la PACF

Modèles de base pour les séries chronologiques

• Méthode naïve
• Méthode de la moyenne simple, modèle de moyenne mobile (MA)
• Prévision glissante avec le modèle MA
• Modèle autorégressif (AR)
• Prévision glissante avec le modèle AR
• Lissage exponentiel de Holt-Winter
• Lissage exponentiel simple
• Lissage exponentiel double

Mesure de la performance

• Indicateurs de performance pour l'analyse des séries chronologiques
• Évaluation de la performance des modèles
• Comparaison de la performance des modèles

Modèles avancés de séries chronologiques

• Modèle autorégressif à moyenne mobile (ARMA)
• Prévision continue avec le modèle ARMA
• Modèle autorégressif intégré à moyenne mobile (ARIMA)
• Prévision continue avec ARIMA
• Modèle autorégressif intégré à moyenne mobile saisonnier (SARIMA)
• Prévision continue avec SARIMA

Analyse de séries chronologiques multivariées

• Le concept de variables endogènes et exogènes
• Introduction à SARIMAX : bref aperçu théorique
• Modélisation avec SARIMAX
• Prévisions continues avec SARIMAX
• Introduction au VAR
• Modélisation avec le VAR
• Prévisions continues avec le VAR

Prévisions de séries chronologiques avec Facebook Prophet

• Apparition de Prophet
• Principaux paramètres de Prophet
• Modélisation avec Prophet
• Prévisions continues avec Prophet

FAQ

Y aura-t-il du matériel d'apprentissage en plus des vidéos à suivre à son propre rythme?

Absolument ! L'expérience d'apprentissage à la demande va au-delà des vidéos pour offrir un environnement d'apprentissage totalement immersif, comprenant:

• APPRENDRE: des quiz interactifs de révision et des études de cas concrets pour renforcer les concepts
• ÉVALUER: des évaluations diagnostiques, par module et finales pour suivre vos progrès
• S'ENTRAÎNER: des exercices pratiques avec des simulations concrètes et des laboratoires Cloud
• OBTENIR DES INFORMATIONS: Analyses et rapports en temps réel mettant en évidence vos progrès d'apprentissage, vos difficultés et les domaines suggérés à revoir pour maîtriser les compétences clés

Puis-je suivre ce cours tout en travaillant à temps plein?

Oui ! Ce cours est conçu pour offrir une flexibilité maximale. Dispensé sous un format en ligne à votre rythme, il vous permet d'apprendre et de vous perfectionner à votre convenance, ce qui facilite la conciliation avec votre emploi à temps plein.

Ce cours est-il adapté aux débutants?

Oui, il commence par les bases avant d'aborder les modèles de prévision avancés.

Ai-je besoin d'une expérience en programmation?

Des connaissances de base en programmation (notamment en Python) sont utiles mais pas obligatoires.

Quels secteurs utilisent la prévision de séries chronologiques?

Elle est largement utilisée dans la finance, la vente au détail, la chaîne d'approvisionnement, la santé, l'énergie et la technologie pour la prévision et la planification.

Vais-je découvrir des applications concrètes?

Oui, le cours se concentre sur des cas d'utilisation pratiques de la prévision, tels que les ventes, la demande et la prévision des tendances.

Quelles techniques vais-je apprendre?

Vous explorerez des méthodes telles que l'ARIMA, le lissage exponentiel et d'autres approches statistiques de prévision.

Est-ce suffisant pour devenir un expert en prévision?

Ce cours fournit une base solide. Une expertise avancée nécessite une pratique supplémentaire avec des ensembles de données réels et des modèles de prévision basés sur l'apprentissage automatique.