Après avoir suivi ces cours, je me sens confiant dans la création de visualisations et de tableaux de bord professionnels.
Shoebur RahmanSpécialiste des marchés publics, Giz Bangladesh
Description du cours
Les séries temporelles sont partout. Qu’il s’agisse des fluctuations des marchés financiers, de données de capteurs sur le changement climatique ou de l’activité cérébrale, tout signal qui évolue dans le temps peut être décrit comme une série temporelle. Le Machine Learning s’est imposé comme une méthode puissante pour tirer parti de la complexité des données afin de générer des prédictions et d’apporter des éclairages sur le problème à résoudre. Ce cours se situe à l’intersection du Machine Learning et des séries temporelles, et aborde le feature engineering, les spectrogrammes et d’autres techniques avancées pour classer des sons de battements de cœur et prédire des cours boursiers.
Prérequis
Programme de formation
Plan du cours
1
Introduction aux séries temporelles et au Machine Learning
Ce chapitre introduit les bases du Machine Learning, des séries temporelles et de leur point de convergence.
- Types de séries temporelles et applications50 XP
- Identifier une série temporelle50 XP
- Tracer une série temporelle (I)100 XP
- Tracer une série temporelle (II)100 XP
- Notions de base du Machine Learning50 XP
- Ajuster un modèle simple : classification100 XP
- Prédire avec un modèle de classification100 XP
- Ajuster un modèle simple : régression100 XP
- Prédire avec un modèle de régression100 XP
- Machine learning et données de séries temporelles50 XP
- Inspection des données de classification100 XP
- Examiner les données de régression100 XP
2
Utiliser des séries temporelles comme entrées d’un modèle
La façon la plus simple d’intégrer des séries temporelles dans votre pipeline de Machine Learning est de les utiliser comme variables d’entrée d’un modèle. Ce chapitre couvre les variables courantes que l’on extrait des séries temporelles pour faire du Machine Learning.
3
Prédire des données de séries temporelles
Si vous souhaitez prédire des motifs qui évoluent au fil du temps, il y a des choix particuliers à faire dans la sélection et la construction du modèle. Ce chapitre explique comment analyser les données avant l’ajustement du modèle, ainsi que les bonnes pratiques pour la modélisation prédictive appliquée aux séries temporelles.
4
Valider et analyser des modèles de séries temporelles
Une fois que vous disposez d’un modèle de prédiction pour des séries temporelles, vous devez déterminer s’il est bon ou non. Ce chapitre présente les bases de la génération de prédictions avec des modèles afin de les valider sur des données de « test ».
Machine Learning for Time Series Data in Python
Cours
terminé
