Séries temporelles et prévision

Objectifs pédagogiques

À l'issue de la formation, le stagiaire sera capable de :

• Manipuler et représenter des séries temporelles avec pandas
• Décomposer une série en tendance, saisonnalité et résidu
• Construire des modèles de prévision statistiques (lissage exponentiel, ARIMA)
• Appliquer le machine learning à la prévision et comparer les approches
• Évaluer une prévision et communiquer son incertitude

Programme

Jour 1 — Analyser et modéliser

Manipuler des séries temporelles

• Dates, fuseaux, fréquences, rééchantillonnage, valeurs manquantes
• Visualisations dédiées

Décomposer

• Tendance, saisonnalités, ruptures
• Autocorrélation et stationnarité

Modèles statistiques

• Lissage exponentiel (Holt-Winters)
• Modèles ARIMA et SARIMA

Jour 2 — Prévoir avec le machine learning

Approches par apprentissage

• Variables retardées et calendaires, gradient boosting
• Outils récents : Prophet, modèles de fondation pour séries temporelles

Évaluer

• Validation glissante, métriques (MAE, MAPE), intervalles de prévision

Cas d’application

• Prévision de la demande, détection d’anomalies sur des capteurs
• Projet final

Méthodes pédagogiques

• Possibilité de travailler sur les données des participants (en intra, après accord)
• Supports de cours, codes source et corrigés remis aux participants
• Formation dispensée par un consultant data et IA qui conçoit et met en production ce qu'il enseigne

Modalités d'évaluation

• Questionnaire de positionnement en début de formation
• Exercices pratiques corrigés tout au long de la formation
• Projet final : prévision d'une série réelle et comparaison de modèles
• Questionnaire de satisfaction à chaud

Accessibilité

Formation accessible aux personnes en situation de handicap. Contactez-nous en amont (contact@dcid-consulting.fr) afin d'étudier ensemble les adaptations nécessaires.