S’initier aux concepts théoriques et approches pratiques de développement de modèles d’apprentissages automatiques appliqués aux séries temporelles.

Fondamentaux de l’analyse des séries temporelles : données temporelles, taxonomie des problèmes de prévision, développement de modèles de prévision, transformation de problème de données temporelles en problème d’apprentissage supervisé, méthodes classiques de prédiction. Principales méthodes classiques et d’apprentissage profond pour la prédiction avec les séries temporelles univariées et multivariées (entre autres : ARIMA, SARIMA, Auto-ARIMA, ETS, VARMA, LSTM). Applications de l’analyse de séries temporelles.

Leçons magistrales, travaux pratiques, exercices, étude de cas.