Analyse de Séries Temporelles avec Python

Time Series Cover

Les Séries Temporelles (ou Time Series en anglais) sont les immanquables de la Data Science – ceci quel que soit le domaine. Les analyser et en déduire des prédictions est clé lorsque l’on est Data Scientist et Data Analyst.

Tu es en début de parcours dans ce domaine ?
Ce cours t’apportera les bases (technique d’analyse, de prévision et visualisation de données) concernant les Séries Temporelles te permettant l’application directe dans un job lié à la Data.

Tu es déjà bien expérimenté.e ?
Ce cours te permettra de te perfectionner grâce à de nombreux cas concrets et projets en lien direct avec l’actualité !

> Découvre ci-dessous le plan complet du cours

Pré-requis pour suivre ce programme :

De bonnes connaissances Python, NumPy, Pandas et Seaborn. Si besoin tout le pré-requis est dans ce cours.

Contenu cours

Introduction sur l’analyse et la prévision de séries temporelles (Time Series)
4 Chapitres
Qu’est-ce qu’une Série Temporelle ou Chronologique ?
Analyse de Time Series
Prévision de Time Series
Exemples de Time Series
MANIPULATION DE DONNÉES DE SÉRIES TEMPORELLES EN PYTHON
Travailler avec des séries temporelles dans Pandas
3 Chapitres
Comment utiliser les données et les mesures de temps avec Pandas
Indexation et ré-échantillonnage des séries temporelles
Décalages, variations et rendements des séries de prix des actions
Métriques de base des séries temporelles et Ré-échantillonnage
3 Chapitres
Ré-échantillonnage
Sur-échantillonnage et interpolation
Sous-échantillonnage et agrégation
Fonctions sur des fenêtres de temps : Métriques de roulement et d’expansion
4 Chapitres
Fonctions de fenêtre de roulement avec Pandas
Fonctions de fenêtre d’expansion avec Pandas
Marche aléatoire et simulations
Corrélation entre les séries temporelles
Construction d’un indice pondéré en fonction de la valeur
3 Chapitres
Sélectionner les composants de l’indice et importer les données
Construire un indice pondéré en fonction de la capitalisation boursière
Évaluer la performance de l’indice
ANALYSE DE DONNÉES DE SÉRIES TEMPORELLES EN PYTHON
Corrélation et auto-corrélation
4 Chapitres
Corrélation de deux séries temporelles
Régression linéaire simple
Auto-corrélation
Fonction d’auto-corrélation
Modèles de séries temporelles
3 Chapitres
Bruit blanc
Marche aléatoire
Stationnaire
Modèles auto-régressifs (AR)
3 Chapitres
Définition des modèles AR
Estimation et prévision des modèles AR
Choix du modèle approprié
Modèles de moyenne mobile (MA) et ARMA
3 Chapitres
Définition du modèle de moyenne mobile
Estimation du modèle MA
Modèles ARMA
VISUALISATION DE DONNÉES DE SÉRIES TEMPORELLES EN PYTHON
Graphiques linéaires
2 Chapitres
Créer des graphiques linéaires de séries temporelles
Personnaliser nos diagrammes de séries temporelles
Statistiques sommaires et diagnostics
3 Chapitres
Nettoyer des données de séries temporelles
Tracer des agrégats de données
Résumer les valeurs du dataset
Saisonnalité, tendance et bruit
3 Chapitres
Auto-corrélation et auto-corrélation partielle
Saisonnalité, tendance et bruit dans les données de séries temporelles
Analyse des données d’une compagnie aérienne
Visualisation de séries temporelles multiples
3 Chapitres
Travailler avec plus d’une série temporelle
Tracer des séries temporelles multiples
Visualisation des relations entre plusieurs séries temporelles
Étude de cas : Taux de chômage
3 Chapitres
Explorer les données
Saisonnalité, tendance et bruit dans les données de séries temporelles
Calculer les corrélations entre les séries temporelles
AIDE-MÉMOIRE MANIPULATION ET VISUALISATION DE TIME SERIES
Les techniques incontournables pour travailler avec des données Time Series en Python
7 Chapitres
Comment gérer le format DateTime ?
Comment composer et décomposer une date ?
Comment compléter les valeurs valeurs manquantes ?
Comment effectuer des opérations sur une série temporelle ?
Comment filtrer les séries temporelles ?
Comment ré-échantillonner des séries temporelles ?
Comment tracer des séries temporelles ?
Guide complet de la Visualisation de données de Time Series
6 Chapitres
Jeu de données
Tracés de base
Ré-échantillonnage et roulement
Tracer l’évolution
Carte thermique
Décomposition
BONUS : ASTUCES ET EXPLICATIONS SUPPLÉMENTAIRES
Améliore ton workflow de Data Science avec les fonctions rolling de Pandas
6 Chapitres
Les données
Fonctions rolling
Somme roulante
Somme glissante sur plusieurs jours
Roulements groupés
Méthodes supplémentaires de Rolling
6 Astuces de visualisation pour traiter les données de séries temporelles ultra longues
7 Chapitres
Préparer et tracer les données de série temporelle
Astuce 1 : Zoom avant et zoom arrière
Astuce 2 : Se concentrer sur ce qui est important
Astuce 3 : Tracer des lignes
Astuce 4 : Utiliser la distribution
Astuce 5 : Grouper et appliquer une échelle de couleurs
Astuce 6 : Graphique circulaire
8 Visualisations pour traiter des séries temporelles multiples (facultatif – avancé)
9 Chapitres
Préparer et tracer les données de séries temporelles multiples
1. Graphique interactif
2. Comparaison un par un avec de petites séries temporelles multiples
3. Changer le point de vue avec Facet Grid
4. Utiliser des couleurs avec une Heat Map
5. Appliquer des angles avec un diagramme Radar
6. Fantaisie du diagramme à barres avec le diagramme à barres circulaire (Race Track Plot)
7. Partir du centre avec Radial Plot
8. Représentation des densités avec des densités superposées (Ridge plot)
PRÉVISION DES SÉRIES TEMPORELLES AVEC LES MODÈLES ARIMA
Objectifs de la section : prédire le futur avec ARIMA
Introduction aux modèles ARMA
3 Chapitres
Introduction à la stationnarité
Rendre une série temporelle stationnaire
Introduction aux modèles AR, MA et ARMA
S’adapter au futur
3 Chapitres
Ajustement des modèles de séries temporelles
Prévisions
Modèles ARIMA pour les séries temporelles non stationnaires
Trouver les meilleurs modèles ARIMA
4 Chapitres
Utilisation de ACF et PACF pour trouver les meilleurs paramètres du modèle
Utilisation de l’AIC et du BIC pour restreindre nos choix de modèles
Le diagnostic du modèle
La méthode Box-Jenkins
Modèles ARIMA saisonniers
4 Chapitres
Introduction aux séries temporelles saisonnières
Modèle ARIMA saisonnier
Automatisation des processus et sauvegarde du modèle
SARIMA et Box-Jenkins pour les séries temporelles saisonnières
Étude de cas : Évolution du prix du Bitcoin (BTC)
5 Chapitres
Lecture et affichage des données de la série temporelle du Bitcoin (BTC)
Séparation des données Entraînement / Test
Moyenne mobile auto-régressive (ARMA)
Moyenne mobile intégrée auto-régressive (ARIMA)
ARIMA saisonnier (SARIMA)
10 PROJETS D'ANALYSE ET PRÉVISION DE TIME SERIES AVEC PYTHON
Analyse de données des actions du S&P500 : Stratégie d’investissement pendant la période post-pandémique
Analyse de données : Qui mène le marché boursier à la place des GAFAM ? Comment trouver les actions attrayantes ?
Analyse de données : Peut-on prédire les récessions ?
Analyse historique du marché Forex (USD/JPY)
Analyse de données : Inflation et marché boursier
Analyse de données : Stratégies d’investissement alors que la Fed lutte contre l’inflation
Analyse de données : Similitudes entre le marché baissier actuel et la bulle Internet
Analyse de séries temporelles avec des données sur le prix du pétrole (partie 1)
Prévision de séries temporelles avec des données sur le prix du pétrole (partie 2)
Analyse de données avec le modèle ARIMA : Prime de risque du taux hypothécaire
Bonus – Prédiction du prix du bitcoin avec Prophet : Le boom du bitcoin est-il terminé ?