Modéliser et prévoir une série temporelle à l’aide des méthodes d’apprentissage statistique
Cette formation permet de modéliser et prévoir une série temporelle à l’aide de méthodes d’apprentissages statistique : régression régularisée, GAM, MARS, arbres, SVR, etc. qu’il sera possible d’agréger.
Bonnes connaissances du modèle de régression linéaire. En option : connaissance des modèles ARMA.
De nombreuses séries temporelles doivent être modélisées avec conjointement des variables retards et des variables exogènes. Si les modèles ARMAX constituent une alternative réaliste, ces modèles peuvent largement être complétés avec d’autres méthodes de régression issues en partie du monde de l’apprentissage.
Les cas pratiques seront idéalement traités sous R, mais pourront également être mis en œuvre sous Python.
Régression régularisée (Ridge, Lasso, Lars)
Modèle GAM
Modèle MARS
Méthodes locales : k-plus proches voisins et noyau de lissage.
Modèle SVR
Agrégation de modèles.
Afin de mobiliser les participants, de multiplier les échanges et de faciliter l’assimilation des connaissances, cette formation alterne exposés théoriques et applications pratiques / cas concrets / travaux sur ordinateur.