Data Science

Les séries temporelles

Objectifs

  • L’objectif est de vous permettre de mettre en évidence, sur vos données, les structures / tendances pour expliquer les phénomènes observés et estimer les évolutions à venir (trend d’acquisitions, résiliations par exemple)

Programme

Introduction aux séries temporelles
  • Principes et Apports des techniques de Prévision.
  • Exemples d’application dans différents secteurs d’activités.
  • Les différents types de données pouvant être prises en compte dans les Prévisions pour augmenter la précision.
Les principales techniques
  • Méthodes de Lissage, Modèles Autorégressifs, ARIMA, SARIMA, Séries chronologiques multi variées, Méthode X11
  • Rappels théoriques
  • Contexte d’application
  • Exemples et Interprétation des résultats obtenus
La démarche projet
  • Principales étapes de construction de modèles de prévision :
Cadrage du besoin
  • Préparation des données
  • Echantillonnage
  • Modélisation
  • Validation du modèle
  • Mise en œuvre opérationnelle.
  • Partage de Bonnes Pratiques en fonction des méthodes et problématiques
Application
  • Construction de modèles de prévision en fonction de vos problématiques (sur vos données, et le logiciel de votre choix entre R, SAS, Python ou IBM SPSS Modeler)
R programmation Niveau 1, les bases (Prev Lesson)
(Formation suivante) Data mining, Analyse de survie et durée de vie
Retour à Data Science

Pas de commentaires

Donner un commentaire