Description
Cette formation adopte une approche pratique avec des études de cas concrets (prévision de précipitation, de consommation électrique, de l’évolution de la diffusion d’une maladie ; détection des ruptures dans les séries temporelles ; segmentation d’un ensemble de séries temporelles, etc.)
Vous utiliserez des outils spécialisés en R, principalement le package forecast, avec un un focus sur l’interprétabilité des modèles pour une prise de décision éclairée. Vous comparerez les différentes approches possibles, des plus simples (persistance) aux modèles les plus récents (deep learning) ; avec une vision sur ce que chacune peut apporter.
Des ateliers collaboratifs seront proposés afin d’appliquer les concepts à vos problématiques concrètes.
Tarif : Sur devis
Intra-entreprise : Sur devis
À l’issue de la formation, les participants seront en mesure de :
- Comprendre les fondamentaux des séries temporelles (stationnarité, saisonnalité, tendances).
- Maîtriser les méthodes classiques (SARIMA, lissage exponentielle, régression dynamique) et avancées (XGBoost, réseaux de neurones, deep learning).
- Prétraiter et visualiser des données temporelles (ggplot2).
- Évaluer et comparer les performances des modèles (MAE, RMSE, etc.).
- Déployer un modèle de prévision dans un environnement opérationnel (ex : rapports R Markdown).
- Identifier les pièges courants (sur-apprentissage, données manquantes).
Profil des béneficiaires
Pour qui
- Data Scientists et Data Analysts souhaitant approfondir leurs compétences en séries temporelles avec R.
- Chefs de projet ou responsables métiers (supply chain, finance, marketing) impliqués dans des projets de prévision.
- Statisticiens ou économètres souhaitant se mettre à jour sur les dernières techniques de prévision.
- Décideurs souhaitant comprendre les enjeux et limites des modèles prédictifs.
Prérequis
- Connaissances de base en statistiques (moyenne, variance, régression linéaire).
- Expérience avec R.
- Familiarité avec les concepts de Machine Learning (supervisé vs non supervisé, validation croisée).
- Matériel : Ordinateur portable avec R et RStudio installés
Contenu de la formation
-
Jour 1 : Fondamentaux et méthodes classiques
- Introduction aux séries temporelles : concepts clés (stationnarité, ACF/PACF, tendance, saisonnalité).
- Prévision avec modèles de lissage exponentiels
- Evaluation de la qualité d’une prévision (Time Series Cross-Validation)
- Atelier : Application sur un jeu de données simple (ex : prévision de précipications).
-
Jour 2 : Méthodes SARIMA
- Différenciation d’une série pour supprimer la tendance et saisonnalité
- Introduction aux modèles SARIMA
- Utilisation de covariables à l’aide de modèles SARIMAX
- Atelier : mise en application sur données réelles (ex : prévision de consommation électrique)
-
Jour 3 : Modèle de Machine Learning
- Prévision par réseaux de neuronnes (MLP), forêt aléatoire, XGBoost
- Prévision par modèles de deep learning
- Mise en compétition avec les approches précédentes sur les jeux de données étudiés lors des deux premiers jours
- Atelier : mise en application de l’ensemble de ces méthodes sur un ou deux cas d’étude fournis par les participants
Équipe pédagogique
-
Responsable
Pr. Julien JACQUES
- Pédagogie active : Alternance de cours théoriques (30%) et d’ateliers pratiques (70%).
- Évaluation : QCM en fin de module + projet pratique (ex : prévision sur un jeu de données fourni par l’entreprise). Une attestation de formation est remise à l’issue des 3 jours, incluant les compétences acquises.
Ressources techniques et pédagogiques
- Slides
- Scripts R
- Jeux de données réels
- Des aménagements peuvent être étudiés afin d’adapter les modalités pédagogiques et les conditions de formation aux besoins spécifiques de chacun.