Ce cours apparaît dans les formations suivantes :
• Ecole Du Numérique (EDN) - Master 2 Data & Intelligence Artificielle - S3 - 4 ECTS

Pré requis

• Connaitre le langage python


• Rudiments du statistique

Objectifs du cours

• Savoir analyser une série temporelle


• Savoir mettre en œuvre un algorithme statistique pour la prédiction des séries temporelles

Contenu du cours

Introduction aux séries temporelles

• Décomposition d’une série temporelle


• Décomposition classique


• Décomposition STL

Modèles linéaires appliqués aux séries temporelles

• La régression linéaire (savoir formaliser mathématiquement le problème et prendre en compte les effets des saisonnalités, savoir mettre en œuvre la méthode des moindres carrés)


• La régression polynomiale appliquées aux séries temporelles

Les modèles stationnaires

• ACF et PACF


• Le modèle AR


• Le modèle MA


• Le modèle ARMA

Les modèles non stationnaires

• Le modèle ARIMA


• Le modèle SARIMA

Introduction aux séries de Fourrier appliqué aux séries temporelles

• Introduction


• Mise en œuvre

Modalités d'enseignement

Organisation du cours

Cours de 28h

Méthodes pédagogiques

Évaluation