Les séries temporelles, ce sont des données qui évoluent dans le temps : des ventes jour par jour, une consommation heure par heure, une fréquentation semaine après semaine… Le problème, c’est que ces données ne se lisent pas comme un tableau classique : il peut y avoir des saisons (pics récurrents), une tendance (ça monte ou ça baisse), ou des événements (soldes, vacances, crise) qui changent tout. Vous allez apprendre à comprendre ces effets, à les mesurer, puis à construire des prévisions fiables.
Dans ce cours, vous allez progresser étape par étape pour passer de données brutes horodatées à des prévisions solides et défendables :
Préparer vos données avec Pandas (datetime, resampling, interpolation, features type lags et moyennes mobiles)
Explorer et décomposer la série pour comprendre tendance, saisonnalité et bruit (et introduire la stationnarité)
Construire des modèles statistiques de prévision (Holt-Winters, ARIMA/SARIMA, intervalles de confiance)
Valider correctement vos prédictions (Time Series Split, MAE/MAPE, analyse des résidus)
Faire du forecasting “business-ready” avec Prophet (événements, changements de tendance, interprétation)
Mettre en production (pipeline, sauvegarde, dashboard Streamlit, automatisation et monitoring)
Si vous voulez arrêter de “regarder des courbes” et commencer à mesurer, expliquer et valider ce qui se passe dans le temps, puis à prévoir ce qui vient, ce cours est fait pour vous ! Inscrivez-vous et passez à la pratique dès maintenant !
Learning outcomes
Contributors
Instructor
Created by
