Analyse prévisionnelle des séries temporelles en Python
 |
Description
Introduction au livre
Apprentissage de l'analyse des séries temporelles et de ses applications à travers des exemples pratiques.
En science des données, l'analyse des tendances d'évolution au fil du temps pour construire divers modèles prédictifs peut aider à prédire l'avenir et à prendre diverses décisions.
Ce livre présente une méthode de prévision des séries temporelles qui fonctionne parfaitement avec le code Python.
Nous aborderons la définition des données de séries temporelles, le développement de modèles de base, la construction de modèles à grande échelle à l'aide de modèles statistiques, de TensorFlow et d'outils modernes d'apprentissage profond, et même une bibliothèque de prévision automatisée.
Maîtrisez l'analyse prévisionnelle des séries temporelles grâce à une variété d'exemples pratiques, notamment les tendances du cours de l'action Google, les prévisions de prescription d'antidiabétiques et les prévisions de consommation d'électricité des ménages.
En science des données, l'analyse des tendances d'évolution au fil du temps pour construire divers modèles prédictifs peut aider à prédire l'avenir et à prendre diverses décisions.
Ce livre présente une méthode de prévision des séries temporelles qui fonctionne parfaitement avec le code Python.
Nous aborderons la définition des données de séries temporelles, le développement de modèles de base, la construction de modèles à grande échelle à l'aide de modèles statistiques, de TensorFlow et d'outils modernes d'apprentissage profond, et même une bibliothèque de prévision automatisée.
Maîtrisez l'analyse prévisionnelle des séries temporelles grâce à une variété d'exemples pratiques, notamment les tendances du cours de l'action Google, les prévisions de prescription d'antidiabétiques et les prévisions de consommation d'électricité des ménages.
- Vous pouvez consulter un aperçu du contenu du livre.
Aperçu
indice
Préface du traducteur xiii
Revue du lecteur bêta xiv
Préface xvi
Remerciements xviii
À propos de ce livre xix
À propos de la couverture xxiii
PREMIÈRE PARTIE Le temps n'attend personne
CHAPITRE 1 Comprendre la prévision des séries chronologiques 3
1.1 Introduction aux séries chronologiques 4
__1.1.1 Composantes d'une série chronologique 5
1.2 Vue d'ensemble de la prévision des séries chronologiques 8
1.2.1 Définition de l'objectif 10 / 1.2.2 Détermination des prévisions pour atteindre l'objectif 10 / 1.2.3 Définition de la période de prévision 10 / 1.2.4 Collecte des données 10 / 1.2.5 Développement du modèle de prévision 11 / 1.2.6 Déploiement en environnement de production 12 / 1.2.7 Surveillance 12 / 1.2.8 Collecte de nouvelles données 12
1.3 En quoi la prévision de séries temporelles diffère-t-elle des autres tâches de régression ? 13
1.3.1 Les séries temporelles ont un ordre 13 / 1.3.2 Il existe des cas où les séries temporelles n'ont aucune caractéristique 14
1.4 Prochaine étape 14
Résumé 15
CHAPITRE 2 : Prédire l'avenir simplement 16
2.1 Définition du modèle de référence 18
2.2 Prédiction à partir des moyennes passées 19
2.2.1 Mise en place de l'implémentation de référence 20 / 2.2.2 Implémentation du modèle de référence basé sur la moyenne historique 22
2.3 Prévision basée sur la moyenne de l'année dernière 27
2.4 Prédiction à partir de la dernière valeur mesurée 29
2.5 Mise en œuvre d'une prévision saisonnière simple 31
2.6 Étape suivante 32
Résumé 33
CHAPITRE 3 : Suivre la marche probabiliste 35
3.1 Processus de marche stochastique 37
__3.1.1 Simulation d'un processus de marche stochastique 37
3.2 Identification des marches probabilistes 40
3.2.1 Stationnarité 42 / 3.2.2 Test de stationnarité 44 / 3.2.3 Fonction d'autocorrélation 48 / 3.2.4 Synthèse 48 / 3.2.5 GOOGL suit-il une marche aléatoire ? 52
3.3 Prédiction d'une marche stochastique 55
3.3.1 Prévisions à long terme 55 / 3.3.2 Prévisions pour la prochaine étape temporelle 61
3.4 Prochaine étape 64
3.5 Exercice 65
3.5.1 Simulation et prédiction d'une marche stochastique 65 / 3.5.2 Prédiction du cours de clôture quotidien de GOOGL 66 / 3.5.3 Prédiction du cours de clôture quotidien d'une action sélectionnée directement 66
Résumé 67
PARTIE 2 Prédiction à l'aide de modèles statistiques
CHAPITRE 4 MODÉLISATION DU PROCESSUS DE MOYENNE MOBILE 71
4.1 Définition du processus de moyenne mobile 73
4.1.1 Identification de l'ordre du processus de moyenne mobile 75
4.2 Prédiction du processus de moyenne mobile 80
4.3 Prochaine étape 90
4.4 Exercice 91
4.4.1 MA(2) Simulation et prédiction de processus 92 / 4.4.2 MA(q) Simulation et prédiction de processus 92
Résumé 93
CHAPITRE 5 : MODÉLISATION DU PROCESSUS D'AUTORISATION 94
5.1 Prévision du trafic hebdomadaire moyen dans un magasin de détail 95
5.2 Définition du processus autorégressif 97
5.3 Détermination de l'ordre d'un processus autorégressif normal 98
__5.3.1 Fonction d'autocorrélation 104
5.4 Prédiction des processus autorégressifs 107
5.5 Prochaine étape 114
5.6 Exercice 114
5.6.1 Simulation des processus AR(2) et élaboration de prédictions 114 / 5.6.2 Simulation des processus AR(p) et élaboration de prédictions 115
Résumé 115
CHAPITRE 6 : MODÉLISATION DES SÉRIES TEMPORELLES COMPLEXES 116
6.1 Prévision de l'utilisation de la bande passante du centre de données 117
6.2 Examen du processus autorégressif à moyenne mobile 120
6.3 Identification des processus ARMA normaux 122
6.4 Conception d'une procédure de modélisation générale 128
6.4.1 Comprendre le critère d'information d'Akaike 130 / 6.4.2 Sélectionner un modèle à l'aide de l'AIC 132 / 6.4.3 Comprendre l'analyse des résidus 134 / 6.4.4 Réaliser une analyse des résidus 139
6.5 Application des procédures générales de modélisation 143
6.6 Prévision de l'utilisation de la bande passante 152
6.7 Prochaines étapes 157
6.8 Exercice 157
6.8.1 Prédictions sur un processus ARMA(1,1) simulé 158 / 6.8.2 Simulation d'un processus ARMA(2,2) et prédictions 158
Résumé 159
CHAPITRE 7 Prévision des séries chronologiques non stationnaires 161
7.1 Définition du modèle autorégressif à moyenne mobile cumulative 164
7.2 Modification des procédures de modélisation générales pour les appliquer aux séries temporelles non stationnaires 165
7.3 Prévision des séries chronologiques non stationnaires 167
7.4 Prochaines étapes 177
7.5 Exercice 177
7.5.1 Application du modèle ARIMA(p,d,q) aux ensembles de données des chapitres 4, 5 et 6 177
Résumé 178
CHAPITRE 8 TENIR COMPTE DE LA SAISONNALITÉ 179
8.1 Examen du modèle SARIMA(p,d,q)(P,D,Q)m 180
8.2 Identification des tendances saisonnières dans les séries chronologiques 183
8.3 Prévision du nombre mensuel de passagers aériens 187
8.3.1 Prévision à l'aide du modèle ARIMA(p,d,q) 190 / 8.3.2 Prévision à l'aide du modèle SARIMA(p,d,q)(P,D,Q)m 196 / 8.3.3 Comparaison des performances de chaque méthode de prévision 200
8.4 Prochaines étapes 203
8.5 Exercice 203
8.5.1 Application du modèle SARIMA(p,d,q)(P,D,Q)m à l'ensemble de données Johnson & Johnson 203
Résumé 204
CHAPITRE 9 Ajout de variables exogènes au modèle 205
9.1 Examen du modèle SARIMAX 207
9.1.1 Exploration des variables exogènes dans l'ensemble de données macroéconomiques américaines 208 / 9.1.2 Considérations relatives à l'utilisation de SARIMAX 211
9.2 Prévision du PIB réel à l'aide du modèle SARIMAX 212
9.3 Prochaines étapes 221
9.4 Exercice 222
__9.4.1 Prévision du PIB réel à l'aide de toutes les variables exogènes dans un modèle SARIMAX 222
Résumé 222
CHAPITRE 10 Prévision de séries chronologiques multiples 223
10.1 Examen du modèle VAR 225
10.2 Conception d'une procédure de modélisation pour un modèle VAR(p) 227
10.2.1 Examen du test de causalité de Granger 229
10.3 Prévision du revenu disponible réel et de la consommation réelle 230
10.4 Prochaines étapes 242
10.5 Exercice 243
10.5.1 Prédiction de realdpi et realcons à l'aide du modèle VARMA 243 / 10.5.2 Prédiction de realdpi et realcons à l'aide du modèle VARMAX 244
Résumé 244
CHAPITRE 11 Projet de synthèse : Prédiction des prescriptions d’antidiabétiques en Australie 245
11.1 Importation des bibliothèques requises et chargement des données 247
11.2 Visualisation des séquences et de leurs composantes 248
11.3 Modélisation avec des données 250
11.3.1 Sélection du modèle 253 / 11.3.2 Analyse des résidus 254
11.4 Réalisation de prédictions et évaluation des performances du modèle 256
11.5 Prochaine étape 260
PARTIE 3 : Exploiter l'apprentissage profond pour la prédiction à grande échelle
CHAPITRE 12 : Introduction à l’apprentissage profond pour la prévision des séries temporelles 263
12.1 Quand utiliser l'apprentissage profond pour la prévision des séries temporelles 264
12.2 Examen de différents types de modèles d'apprentissage profond 265
12.3 Préparation à l'application de l'apprentissage profond à la prédiction 268
12.3.1 Exploration des données 268 / 12.3.2 Ingénierie des caractéristiques et partitionnement des données 272
12.4 Prochaines étapes 277
12.5 Exercice 277
Résumé 278
CHAPITRE 13 : Fenêtrage des données et construction de modèles de base pour l’apprentissage profond 279
13.1 Création d'une fenêtre de données 280
__13.1.1 Aperçu de l'entraînement d'un modèle d'apprentissage profond pour la prévision de séries temporelles 280
__13.1.2 Implémentation de la classe DataWindow 284
13.2 Application du modèle de base 292
__13.2.1 Modèle de base à une seule étape 292
__13.2.2 Modèle de base à plusieurs étapes 295
__13.2.3 Modèle de base à sorties multiples 299
13.3 Prochaine étape 303
13.4 Exercice 303
Résumé 304
CHAPITRE 14 : Premiers pas en apprentissage profond 305
14.1 Mise en œuvre d'un modèle linéaire 306
14.1.1 Implémentation d'un modèle linéaire à une étape 307 / 14.1.2 Implémentation d'un modèle linéaire à plusieurs étapes 309 / 14.1.3 Implémentation d'un modèle linéaire à sorties multiples 311
14.2 Implémentation d'un réseau neuronal profond 312
14.2.1 Implémentation d'un réseau neuronal profond en tant que modèle à une seule étape 314 / 14.2.2 Implémentation d'un réseau neuronal profond en tant que modèle à plusieurs étapes 317 / 14.2.3 Implémentation d'un réseau neuronal profond en tant que modèle à sorties multiples 319
14.3 Prochaine étape 320
14.4 Exercice 321
Résumé 322
CHAPITRE 15 : Se souvenir du passé avec les LSTM 323
15.1 Étude des réseaux neuronaux récurrents 324
15.2 Examen de l'architecture LSTM 326
15.2.1 Oublier la porte 327 / 15.2.2 Porte d'entrée 329 / 15.2.3 Porte de sortie 330
15.3 Mise en œuvre de l'architecture LSTM 332
15.3.1 Implémentation d'un LSTM en tant que modèle à un seul étage 332 / 15.3.2 Implémentation d'un LSTM en tant que modèle à plusieurs étages 335 / 15.3.3 Implémentation d'un LSTM en tant que modèle à sorties multiples 338
15.4 Prochaine étape 341
15.5 Exercice 342
Résumé 343
CHAPITRE 16 Filtrage des séries temporelles avec les CNN 344
16.1 Aperçu de CNN 345
16.2 Implémentation des CNN 349
16.2.1 Implémentation d'un CNN en tant que modèle à une seule étape 350 / 16.2.2 Implémentation d'un CNN en tant que modèle à plusieurs étapes 354 / 16.2.3 Implémentation d'un CNN en tant que modèle à sorties multiples 356
16.3 Prochaine étape 359
16.4 Exercice 359
Résumé 361
CHAPITRE 17 : Prédire mieux grâce aux prédictions 362
17.1 Aperçu de l'architecture ARLSTM 363
17.2 Construction d'un modèle LSTM autorégressif 364
17.3 Prochaine étape 370
17.4 Exercice 371
Résumé 371
CHAPITRE 18 PROJET DE FIN D'ÉTUDES : ESTIMATION DE LA CONSOMMATION ÉLECTRIQUE DOMESTIQUE 372
18.1 Comprendre le projet Capstone 373
__18.1.1 Objectifs du projet de synthèse 375
18.2 Préparation et prétraitement des données 376
18.2.1 Gestion des données manquantes 377 / 18.2.2 Transformation des données 379 / 18.2.3 Rééchantillonnage des données 379
18.3 Ingénierie des fonctionnalités 382
18.3.1 Suppression des colonnes inutiles 383 / 18.3.2 Identification des périodes saisonnières 383 / 18.3.3 Partitionnement et mise à l'échelle des données 386
18.4 Préparation à la modélisation avec l'apprentissage profond 387
18.4.1 Configuration initiale 387 / 18.4.2 Définition de la classe DataWindow 389 / 18.4.3 Fonctions utilitaires pour l'entraînement du modèle 391
18.5 Modélisation avec l'apprentissage profond 392
18.5.1 Modèle de base 392 / 18.5.2 Modèle linéaire 396 / 18.5.3 Réseau de neurones profond 397 / 18.5.4 Modèle LSTM (Long Short-Term Memory) 398 / 18.5.5 Réseau de neurones convolutif 399 / 18.5.6 Combinaison de CNN et LSTM 401 / 18.5.7 Modèle LSTM autorégressif 402 / 18.5.8 Sélection du modèle optimal 404
18.6 Prochaine étape 406
PARTIE 4 Automatisation des prévisions à grande échelle
CHAPITRE 19 Automatisation des prévisions de séries temporelles avec Prophet 409
19.1 Aperçu des bibliothèques de prédiction automatisée 410
19.2 Examen du Prophète 412
19.3 Établir des prédictions de base avec Prophet 414
19.4 Explorez les fonctionnalités avancées de Prophet 420
19.4.1 Fonctionnalités de visualisation 421 / 19.4.2 Validation croisée et indicateurs de performance 425 / 19.4.3 Optimisation des hyperparamètres 429
19.5 Mise en œuvre d'une procédure de prévision robuste avec Prophet 432
Projet de prédiction 19.5.1 : Prédiction de la popularité des recherches « chocolat » sur Google 434 / Expérience 19.5.2 : SARIMA pourrait-il être meilleur ? 442
19.6 Prochaine étape 446
19.7 Exercice 447
19.7.1 Prédiction du nombre de passagers aériens 447 / 19.7.2 Prédiction du nombre d'ordonnances d'antidiabétiques 447 / 19.7.3 Prédiction de la popularité des mots clés dans Google Trends 447
Résumé 448
CHAPITRE 20 PROJET DE FIN D'ÉTUDES : ESTIMATION DU PRIX DE VENTE AU DÉTAIL MENSUEL MOYEN DU STEAK AU CANADA 449
20.1 Comprendre le projet Capstone 450
__20.1.1 Objectif du projet de synthèse 450
20.2 Prétraitement et visualisation des données 451
20.3 Modélisation avec Prophet 453
20.4 Facultatif : Développement d'un modèle SARIMA 459
20.5 Prochaine étape 464
CHAPITRE 21 Aller plus loin 466
21.1 Résumé des connaissances acquises 467
21.1.1 Méthodes statistiques de prédiction 467 / 21.1.2 Méthodes d'apprentissage profond pour la prédiction 468 / 21.1.3 Automatisation du processus de prédiction 469
21.2 Que faire si votre prédiction s'avère fausse ? 470
21.3 Autres applications des données de séries chronologiques 472
21.4 Continuez à pratiquer 473
ANNEXE A Instructions d'installation 475
Recherche 479
Revue du lecteur bêta xiv
Préface xvi
Remerciements xviii
À propos de ce livre xix
À propos de la couverture xxiii
PREMIÈRE PARTIE Le temps n'attend personne
CHAPITRE 1 Comprendre la prévision des séries chronologiques 3
1.1 Introduction aux séries chronologiques 4
__1.1.1 Composantes d'une série chronologique 5
1.2 Vue d'ensemble de la prévision des séries chronologiques 8
1.2.1 Définition de l'objectif 10 / 1.2.2 Détermination des prévisions pour atteindre l'objectif 10 / 1.2.3 Définition de la période de prévision 10 / 1.2.4 Collecte des données 10 / 1.2.5 Développement du modèle de prévision 11 / 1.2.6 Déploiement en environnement de production 12 / 1.2.7 Surveillance 12 / 1.2.8 Collecte de nouvelles données 12
1.3 En quoi la prévision de séries temporelles diffère-t-elle des autres tâches de régression ? 13
1.3.1 Les séries temporelles ont un ordre 13 / 1.3.2 Il existe des cas où les séries temporelles n'ont aucune caractéristique 14
1.4 Prochaine étape 14
Résumé 15
CHAPITRE 2 : Prédire l'avenir simplement 16
2.1 Définition du modèle de référence 18
2.2 Prédiction à partir des moyennes passées 19
2.2.1 Mise en place de l'implémentation de référence 20 / 2.2.2 Implémentation du modèle de référence basé sur la moyenne historique 22
2.3 Prévision basée sur la moyenne de l'année dernière 27
2.4 Prédiction à partir de la dernière valeur mesurée 29
2.5 Mise en œuvre d'une prévision saisonnière simple 31
2.6 Étape suivante 32
Résumé 33
CHAPITRE 3 : Suivre la marche probabiliste 35
3.1 Processus de marche stochastique 37
__3.1.1 Simulation d'un processus de marche stochastique 37
3.2 Identification des marches probabilistes 40
3.2.1 Stationnarité 42 / 3.2.2 Test de stationnarité 44 / 3.2.3 Fonction d'autocorrélation 48 / 3.2.4 Synthèse 48 / 3.2.5 GOOGL suit-il une marche aléatoire ? 52
3.3 Prédiction d'une marche stochastique 55
3.3.1 Prévisions à long terme 55 / 3.3.2 Prévisions pour la prochaine étape temporelle 61
3.4 Prochaine étape 64
3.5 Exercice 65
3.5.1 Simulation et prédiction d'une marche stochastique 65 / 3.5.2 Prédiction du cours de clôture quotidien de GOOGL 66 / 3.5.3 Prédiction du cours de clôture quotidien d'une action sélectionnée directement 66
Résumé 67
PARTIE 2 Prédiction à l'aide de modèles statistiques
CHAPITRE 4 MODÉLISATION DU PROCESSUS DE MOYENNE MOBILE 71
4.1 Définition du processus de moyenne mobile 73
4.1.1 Identification de l'ordre du processus de moyenne mobile 75
4.2 Prédiction du processus de moyenne mobile 80
4.3 Prochaine étape 90
4.4 Exercice 91
4.4.1 MA(2) Simulation et prédiction de processus 92 / 4.4.2 MA(q) Simulation et prédiction de processus 92
Résumé 93
CHAPITRE 5 : MODÉLISATION DU PROCESSUS D'AUTORISATION 94
5.1 Prévision du trafic hebdomadaire moyen dans un magasin de détail 95
5.2 Définition du processus autorégressif 97
5.3 Détermination de l'ordre d'un processus autorégressif normal 98
__5.3.1 Fonction d'autocorrélation 104
5.4 Prédiction des processus autorégressifs 107
5.5 Prochaine étape 114
5.6 Exercice 114
5.6.1 Simulation des processus AR(2) et élaboration de prédictions 114 / 5.6.2 Simulation des processus AR(p) et élaboration de prédictions 115
Résumé 115
CHAPITRE 6 : MODÉLISATION DES SÉRIES TEMPORELLES COMPLEXES 116
6.1 Prévision de l'utilisation de la bande passante du centre de données 117
6.2 Examen du processus autorégressif à moyenne mobile 120
6.3 Identification des processus ARMA normaux 122
6.4 Conception d'une procédure de modélisation générale 128
6.4.1 Comprendre le critère d'information d'Akaike 130 / 6.4.2 Sélectionner un modèle à l'aide de l'AIC 132 / 6.4.3 Comprendre l'analyse des résidus 134 / 6.4.4 Réaliser une analyse des résidus 139
6.5 Application des procédures générales de modélisation 143
6.6 Prévision de l'utilisation de la bande passante 152
6.7 Prochaines étapes 157
6.8 Exercice 157
6.8.1 Prédictions sur un processus ARMA(1,1) simulé 158 / 6.8.2 Simulation d'un processus ARMA(2,2) et prédictions 158
Résumé 159
CHAPITRE 7 Prévision des séries chronologiques non stationnaires 161
7.1 Définition du modèle autorégressif à moyenne mobile cumulative 164
7.2 Modification des procédures de modélisation générales pour les appliquer aux séries temporelles non stationnaires 165
7.3 Prévision des séries chronologiques non stationnaires 167
7.4 Prochaines étapes 177
7.5 Exercice 177
7.5.1 Application du modèle ARIMA(p,d,q) aux ensembles de données des chapitres 4, 5 et 6 177
Résumé 178
CHAPITRE 8 TENIR COMPTE DE LA SAISONNALITÉ 179
8.1 Examen du modèle SARIMA(p,d,q)(P,D,Q)m 180
8.2 Identification des tendances saisonnières dans les séries chronologiques 183
8.3 Prévision du nombre mensuel de passagers aériens 187
8.3.1 Prévision à l'aide du modèle ARIMA(p,d,q) 190 / 8.3.2 Prévision à l'aide du modèle SARIMA(p,d,q)(P,D,Q)m 196 / 8.3.3 Comparaison des performances de chaque méthode de prévision 200
8.4 Prochaines étapes 203
8.5 Exercice 203
8.5.1 Application du modèle SARIMA(p,d,q)(P,D,Q)m à l'ensemble de données Johnson & Johnson 203
Résumé 204
CHAPITRE 9 Ajout de variables exogènes au modèle 205
9.1 Examen du modèle SARIMAX 207
9.1.1 Exploration des variables exogènes dans l'ensemble de données macroéconomiques américaines 208 / 9.1.2 Considérations relatives à l'utilisation de SARIMAX 211
9.2 Prévision du PIB réel à l'aide du modèle SARIMAX 212
9.3 Prochaines étapes 221
9.4 Exercice 222
__9.4.1 Prévision du PIB réel à l'aide de toutes les variables exogènes dans un modèle SARIMAX 222
Résumé 222
CHAPITRE 10 Prévision de séries chronologiques multiples 223
10.1 Examen du modèle VAR 225
10.2 Conception d'une procédure de modélisation pour un modèle VAR(p) 227
10.2.1 Examen du test de causalité de Granger 229
10.3 Prévision du revenu disponible réel et de la consommation réelle 230
10.4 Prochaines étapes 242
10.5 Exercice 243
10.5.1 Prédiction de realdpi et realcons à l'aide du modèle VARMA 243 / 10.5.2 Prédiction de realdpi et realcons à l'aide du modèle VARMAX 244
Résumé 244
CHAPITRE 11 Projet de synthèse : Prédiction des prescriptions d’antidiabétiques en Australie 245
11.1 Importation des bibliothèques requises et chargement des données 247
11.2 Visualisation des séquences et de leurs composantes 248
11.3 Modélisation avec des données 250
11.3.1 Sélection du modèle 253 / 11.3.2 Analyse des résidus 254
11.4 Réalisation de prédictions et évaluation des performances du modèle 256
11.5 Prochaine étape 260
PARTIE 3 : Exploiter l'apprentissage profond pour la prédiction à grande échelle
CHAPITRE 12 : Introduction à l’apprentissage profond pour la prévision des séries temporelles 263
12.1 Quand utiliser l'apprentissage profond pour la prévision des séries temporelles 264
12.2 Examen de différents types de modèles d'apprentissage profond 265
12.3 Préparation à l'application de l'apprentissage profond à la prédiction 268
12.3.1 Exploration des données 268 / 12.3.2 Ingénierie des caractéristiques et partitionnement des données 272
12.4 Prochaines étapes 277
12.5 Exercice 277
Résumé 278
CHAPITRE 13 : Fenêtrage des données et construction de modèles de base pour l’apprentissage profond 279
13.1 Création d'une fenêtre de données 280
__13.1.1 Aperçu de l'entraînement d'un modèle d'apprentissage profond pour la prévision de séries temporelles 280
__13.1.2 Implémentation de la classe DataWindow 284
13.2 Application du modèle de base 292
__13.2.1 Modèle de base à une seule étape 292
__13.2.2 Modèle de base à plusieurs étapes 295
__13.2.3 Modèle de base à sorties multiples 299
13.3 Prochaine étape 303
13.4 Exercice 303
Résumé 304
CHAPITRE 14 : Premiers pas en apprentissage profond 305
14.1 Mise en œuvre d'un modèle linéaire 306
14.1.1 Implémentation d'un modèle linéaire à une étape 307 / 14.1.2 Implémentation d'un modèle linéaire à plusieurs étapes 309 / 14.1.3 Implémentation d'un modèle linéaire à sorties multiples 311
14.2 Implémentation d'un réseau neuronal profond 312
14.2.1 Implémentation d'un réseau neuronal profond en tant que modèle à une seule étape 314 / 14.2.2 Implémentation d'un réseau neuronal profond en tant que modèle à plusieurs étapes 317 / 14.2.3 Implémentation d'un réseau neuronal profond en tant que modèle à sorties multiples 319
14.3 Prochaine étape 320
14.4 Exercice 321
Résumé 322
CHAPITRE 15 : Se souvenir du passé avec les LSTM 323
15.1 Étude des réseaux neuronaux récurrents 324
15.2 Examen de l'architecture LSTM 326
15.2.1 Oublier la porte 327 / 15.2.2 Porte d'entrée 329 / 15.2.3 Porte de sortie 330
15.3 Mise en œuvre de l'architecture LSTM 332
15.3.1 Implémentation d'un LSTM en tant que modèle à un seul étage 332 / 15.3.2 Implémentation d'un LSTM en tant que modèle à plusieurs étages 335 / 15.3.3 Implémentation d'un LSTM en tant que modèle à sorties multiples 338
15.4 Prochaine étape 341
15.5 Exercice 342
Résumé 343
CHAPITRE 16 Filtrage des séries temporelles avec les CNN 344
16.1 Aperçu de CNN 345
16.2 Implémentation des CNN 349
16.2.1 Implémentation d'un CNN en tant que modèle à une seule étape 350 / 16.2.2 Implémentation d'un CNN en tant que modèle à plusieurs étapes 354 / 16.2.3 Implémentation d'un CNN en tant que modèle à sorties multiples 356
16.3 Prochaine étape 359
16.4 Exercice 359
Résumé 361
CHAPITRE 17 : Prédire mieux grâce aux prédictions 362
17.1 Aperçu de l'architecture ARLSTM 363
17.2 Construction d'un modèle LSTM autorégressif 364
17.3 Prochaine étape 370
17.4 Exercice 371
Résumé 371
CHAPITRE 18 PROJET DE FIN D'ÉTUDES : ESTIMATION DE LA CONSOMMATION ÉLECTRIQUE DOMESTIQUE 372
18.1 Comprendre le projet Capstone 373
__18.1.1 Objectifs du projet de synthèse 375
18.2 Préparation et prétraitement des données 376
18.2.1 Gestion des données manquantes 377 / 18.2.2 Transformation des données 379 / 18.2.3 Rééchantillonnage des données 379
18.3 Ingénierie des fonctionnalités 382
18.3.1 Suppression des colonnes inutiles 383 / 18.3.2 Identification des périodes saisonnières 383 / 18.3.3 Partitionnement et mise à l'échelle des données 386
18.4 Préparation à la modélisation avec l'apprentissage profond 387
18.4.1 Configuration initiale 387 / 18.4.2 Définition de la classe DataWindow 389 / 18.4.3 Fonctions utilitaires pour l'entraînement du modèle 391
18.5 Modélisation avec l'apprentissage profond 392
18.5.1 Modèle de base 392 / 18.5.2 Modèle linéaire 396 / 18.5.3 Réseau de neurones profond 397 / 18.5.4 Modèle LSTM (Long Short-Term Memory) 398 / 18.5.5 Réseau de neurones convolutif 399 / 18.5.6 Combinaison de CNN et LSTM 401 / 18.5.7 Modèle LSTM autorégressif 402 / 18.5.8 Sélection du modèle optimal 404
18.6 Prochaine étape 406
PARTIE 4 Automatisation des prévisions à grande échelle
CHAPITRE 19 Automatisation des prévisions de séries temporelles avec Prophet 409
19.1 Aperçu des bibliothèques de prédiction automatisée 410
19.2 Examen du Prophète 412
19.3 Établir des prédictions de base avec Prophet 414
19.4 Explorez les fonctionnalités avancées de Prophet 420
19.4.1 Fonctionnalités de visualisation 421 / 19.4.2 Validation croisée et indicateurs de performance 425 / 19.4.3 Optimisation des hyperparamètres 429
19.5 Mise en œuvre d'une procédure de prévision robuste avec Prophet 432
Projet de prédiction 19.5.1 : Prédiction de la popularité des recherches « chocolat » sur Google 434 / Expérience 19.5.2 : SARIMA pourrait-il être meilleur ? 442
19.6 Prochaine étape 446
19.7 Exercice 447
19.7.1 Prédiction du nombre de passagers aériens 447 / 19.7.2 Prédiction du nombre d'ordonnances d'antidiabétiques 447 / 19.7.3 Prédiction de la popularité des mots clés dans Google Trends 447
Résumé 448
CHAPITRE 20 PROJET DE FIN D'ÉTUDES : ESTIMATION DU PRIX DE VENTE AU DÉTAIL MENSUEL MOYEN DU STEAK AU CANADA 449
20.1 Comprendre le projet Capstone 450
__20.1.1 Objectif du projet de synthèse 450
20.2 Prétraitement et visualisation des données 451
20.3 Modélisation avec Prophet 453
20.4 Facultatif : Développement d'un modèle SARIMA 459
20.5 Prochaine étape 464
CHAPITRE 21 Aller plus loin 466
21.1 Résumé des connaissances acquises 467
21.1.1 Méthodes statistiques de prédiction 467 / 21.1.2 Méthodes d'apprentissage profond pour la prédiction 468 / 21.1.3 Automatisation du processus de prédiction 469
21.2 Que faire si votre prédiction s'avère fausse ? 470
21.3 Autres applications des données de séries chronologiques 472
21.4 Continuez à pratiquer 473
ANNEXE A Instructions d'installation 475
Recherche 479
Image détaillée
Dans le livre
Ce livre est entièrement consacré à la prévision des séries temporelles.
Nous allons d'abord apprendre une méthode de prédiction simple qui pourra servir de base à des modèles plus complexes.
Ensuite, nous effectuerons des prédictions à l'aide de deux techniques d'apprentissage statistique : le modèle de moyenne mobile et le modèle autorégressif.
Ces techniques serviront de base à des modèles plus complexes capables de gérer la non-stationnarité, les effets saisonniers et l'influence des variables exogènes.
Nous passons ensuite des techniques d'apprentissage statistique aux techniques d'apprentissage profond, en examinant un scénario où l'apprentissage profond surpasse l'apprentissage statistique dans la prédiction de séries temporelles de grande dimension et à grande échelle.
--- p.4
Voyons si nous pouvons modéliser le cours de clôture quotidien de GOOGL à l'aide d'un modèle de marche stochastique.
Pour ce faire, nous devons d'abord vérifier si le processus est normal.
Si le processus est anormal, une transformation telle qu'une différence doit être appliquée pour le rendre normal.
Ensuite, nous pouvons tracer la fonction d'autocorrélation (ACF) pour voir si le prix de clôture quotidien de GOOGL peut être approximé par un modèle de marche stochastique.
Dans ce chapitre, nous aborderons les graphiques des fonctions différentielles et d'autocorrélation.
Enfin, nous conclurons ce chapitre en prédisant le cours de clôture futur de GOOGL.
--- p.36
Dans ce chapitre, nous examinerons ARMA(p,q), un processus autorégressif à moyenne mobile.
Ici, p représente le degré de la partie autorégressive et q représente le degré de la partie à moyenne mobile.
(Omission) Cette procédure comprend la sélection du modèle à l'aide du critère d'information d'Akaike (AIC), qui détermine la combinaison optimale de p et q pour la série temporelle.
Ensuite, la validité du modèle doit être évaluée par une analyse des résidus, qui examine le graphique QQ et le graphique de densité, qui sont des graphiques de corrélation des résidus du modèle, afin de déterminer si les résidus du modèle sont similaires à un bruit blanc.
Si elle est jugée valide, nous pouvons passer à la prédiction de la série temporelle à l'aide du modèle ARMA(p,q).
--- p.117
Par exemple, supposons que nous devions prévoir les températures horaires.
Il est raisonnable de supposer qu'il existe une saisonnalité quotidienne, les températures ayant tendance à être plus basses la nuit et plus élevées le jour, mais il existe également une saisonnalité annuelle, les températures étant plus basses en hiver et plus élevées en été.
Dans ces cas-là, l'apprentissage profond peut être utilisé pour faire des prédictions en exploitant les informations des deux saisons.
(Omission) En définitive, l'apprentissage profond est utilisé lorsque l'ajustement d'un modèle statistique prend trop de temps ou lorsqu'il existe des résidus corrélés et éloignés du bruit blanc.
Cela peut s'expliquer par l'existence d'autres périodes saisonnières que le modèle ne peut pas prendre en compte, ou tout simplement par une relation non linéaire entre les caractéristiques et la cible.
Dans ces cas, les modèles d'apprentissage profond peuvent être utilisés pour saisir ces relations non linéaires, avec l'avantage supplémentaire d'être très rapides à entraîner.
--- p.264
Examinons une architecture avancée appelée mémoire à long terme et à court terme (LSTM), qui est un exemple spécifique de réseau neuronal récurrent (RNN).
Ce type de réseau neuronal est utilisé pour traiter des tableaux de données où l'ordre est important. Le traitement automatique du langage naturel est une application courante des RNN et des LSTM.
Les mots d'une phrase ont un ordre précis, et modifier cet ordre peut complètement changer le sens de la phrase.
C’est pourquoi cette architecture est souvent à la base des algorithmes de classification ou de génération de texte.
/ Une autre situation où l'ordre des données est important est celle des séries temporelles.
Nous savons qu'une série chronologique est une séquence de données occupant des intervalles de temps égaux et que l'ordre ne peut être modifié.
Une donnée observée à 9h00 doit être antérieure à une donnée observée à 10h00 et postérieure à une donnée observée à 8h00.
Il est donc raisonnable d'appliquer l'architecture LSTM pour prédire les séries temporelles.
--- p.323
Si la construction et le réglage manuels des modèles offrent flexibilité et contrôle total sur les techniques de prévision, l'automatisation de la majeure partie du processus de prévision facilite la prévision des séries chronologiques et accélère l'expérimentation.
Il est important de comprendre les outils automatisés car ils nous permettent d'obtenir rapidement des prédictions et facilitent souvent l'utilisation de modèles de pointe.
Nous allons d'abord apprendre une méthode de prédiction simple qui pourra servir de base à des modèles plus complexes.
Ensuite, nous effectuerons des prédictions à l'aide de deux techniques d'apprentissage statistique : le modèle de moyenne mobile et le modèle autorégressif.
Ces techniques serviront de base à des modèles plus complexes capables de gérer la non-stationnarité, les effets saisonniers et l'influence des variables exogènes.
Nous passons ensuite des techniques d'apprentissage statistique aux techniques d'apprentissage profond, en examinant un scénario où l'apprentissage profond surpasse l'apprentissage statistique dans la prédiction de séries temporelles de grande dimension et à grande échelle.
--- p.4
Voyons si nous pouvons modéliser le cours de clôture quotidien de GOOGL à l'aide d'un modèle de marche stochastique.
Pour ce faire, nous devons d'abord vérifier si le processus est normal.
Si le processus est anormal, une transformation telle qu'une différence doit être appliquée pour le rendre normal.
Ensuite, nous pouvons tracer la fonction d'autocorrélation (ACF) pour voir si le prix de clôture quotidien de GOOGL peut être approximé par un modèle de marche stochastique.
Dans ce chapitre, nous aborderons les graphiques des fonctions différentielles et d'autocorrélation.
Enfin, nous conclurons ce chapitre en prédisant le cours de clôture futur de GOOGL.
--- p.36
Dans ce chapitre, nous examinerons ARMA(p,q), un processus autorégressif à moyenne mobile.
Ici, p représente le degré de la partie autorégressive et q représente le degré de la partie à moyenne mobile.
(Omission) Cette procédure comprend la sélection du modèle à l'aide du critère d'information d'Akaike (AIC), qui détermine la combinaison optimale de p et q pour la série temporelle.
Ensuite, la validité du modèle doit être évaluée par une analyse des résidus, qui examine le graphique QQ et le graphique de densité, qui sont des graphiques de corrélation des résidus du modèle, afin de déterminer si les résidus du modèle sont similaires à un bruit blanc.
Si elle est jugée valide, nous pouvons passer à la prédiction de la série temporelle à l'aide du modèle ARMA(p,q).
--- p.117
Par exemple, supposons que nous devions prévoir les températures horaires.
Il est raisonnable de supposer qu'il existe une saisonnalité quotidienne, les températures ayant tendance à être plus basses la nuit et plus élevées le jour, mais il existe également une saisonnalité annuelle, les températures étant plus basses en hiver et plus élevées en été.
Dans ces cas-là, l'apprentissage profond peut être utilisé pour faire des prédictions en exploitant les informations des deux saisons.
(Omission) En définitive, l'apprentissage profond est utilisé lorsque l'ajustement d'un modèle statistique prend trop de temps ou lorsqu'il existe des résidus corrélés et éloignés du bruit blanc.
Cela peut s'expliquer par l'existence d'autres périodes saisonnières que le modèle ne peut pas prendre en compte, ou tout simplement par une relation non linéaire entre les caractéristiques et la cible.
Dans ces cas, les modèles d'apprentissage profond peuvent être utilisés pour saisir ces relations non linéaires, avec l'avantage supplémentaire d'être très rapides à entraîner.
--- p.264
Examinons une architecture avancée appelée mémoire à long terme et à court terme (LSTM), qui est un exemple spécifique de réseau neuronal récurrent (RNN).
Ce type de réseau neuronal est utilisé pour traiter des tableaux de données où l'ordre est important. Le traitement automatique du langage naturel est une application courante des RNN et des LSTM.
Les mots d'une phrase ont un ordre précis, et modifier cet ordre peut complètement changer le sens de la phrase.
C’est pourquoi cette architecture est souvent à la base des algorithmes de classification ou de génération de texte.
/ Une autre situation où l'ordre des données est important est celle des séries temporelles.
Nous savons qu'une série chronologique est une séquence de données occupant des intervalles de temps égaux et que l'ordre ne peut être modifié.
Une donnée observée à 9h00 doit être antérieure à une donnée observée à 10h00 et postérieure à une donnée observée à 8h00.
Il est donc raisonnable d'appliquer l'architecture LSTM pour prédire les séries temporelles.
--- p.323
Si la construction et le réglage manuels des modèles offrent flexibilité et contrôle total sur les techniques de prévision, l'automatisation de la majeure partie du processus de prévision facilite la prévision des séries chronologiques et accélère l'expérimentation.
Il est important de comprendre les outils automatisés car ils nous permettent d'obtenir rapidement des prédictions et facilitent souvent l'utilisation de modèles de pointe.
--- p.409
Avis de l'éditeur
Science des données de séries temporelles : transition de R à Python
Bien que R soit un excellent langage pour l'analyse statistique traditionnelle, le remplacer par Python, quasi universel, ouvre un large éventail d'applications, allant de l'analyse statistique aux modèles d'apprentissage profond et aux bibliothèques de prédiction automatisée.
Marcou Peycheiro a étudié la prévision des séries temporelles et a converti une grande partie du code écrit en R en Python. Il a écrit ce livre pour fournir une référence complète sur la prévision des séries temporelles basée sur Python.
Ce livre couvre tout, depuis l'analyse prédictive basée sur des modèles statistiques tels que les moyennes mobiles, l'autorégression et SARIMAX utilisant Python, jusqu'aux prédictions basées sur l'apprentissage profond telles que les architectures LSTM et CNN, et les bibliothèques de prédiction automatisées utilisant les modèles Prophet et SARIMAX.
Il présente notamment, étape par étape, à travers des exemples pertinents pour chaque sujet, le processus de collecte de données, de construction d'un modèle et de recherche des valeurs prédites.
Au fur et à mesure que les lecteurs réalisent les exercices, ils constateront que les valeurs prévues et les valeurs réelles se rapprochent progressivement.
En science des données, la variabilité temporelle est un facteur important qu'il ne faut pas ignorer.
Apprenons étape par étape les techniques d'analyse prévisionnelle des séries chronologiques à travers divers exemples pratiques, tels que les tendances du cours de l'action Google, la prévision de l'utilisation de la bande passante des centres de données, la prévision du nombre mensuel de passagers aériens, la prévision des prescriptions d'antidiabétiques et la prévision de la consommation d'électricité des ménages.
Après avoir terminé ce livre, vous apprendrez diverses techniques d'analyse de données de séries temporelles que vous pourrez appliquer immédiatement dans votre travail.
Contenu principal
● Concept de données de séries temporelles et développement de modèles de base
● Prévision basée sur des modèles statistiques tels que la moyenne mobile, l'autorégression et le SARIMAX
● Prédictions basées sur l'apprentissage profond, notamment les architectures LSTM et CNN
● Prophet, une bibliothèque de prédiction automatisée utilisant le modèle SARIMAX
Bien que R soit un excellent langage pour l'analyse statistique traditionnelle, le remplacer par Python, quasi universel, ouvre un large éventail d'applications, allant de l'analyse statistique aux modèles d'apprentissage profond et aux bibliothèques de prédiction automatisée.
Marcou Peycheiro a étudié la prévision des séries temporelles et a converti une grande partie du code écrit en R en Python. Il a écrit ce livre pour fournir une référence complète sur la prévision des séries temporelles basée sur Python.
Ce livre couvre tout, depuis l'analyse prédictive basée sur des modèles statistiques tels que les moyennes mobiles, l'autorégression et SARIMAX utilisant Python, jusqu'aux prédictions basées sur l'apprentissage profond telles que les architectures LSTM et CNN, et les bibliothèques de prédiction automatisées utilisant les modèles Prophet et SARIMAX.
Il présente notamment, étape par étape, à travers des exemples pertinents pour chaque sujet, le processus de collecte de données, de construction d'un modèle et de recherche des valeurs prédites.
Au fur et à mesure que les lecteurs réalisent les exercices, ils constateront que les valeurs prévues et les valeurs réelles se rapprochent progressivement.
En science des données, la variabilité temporelle est un facteur important qu'il ne faut pas ignorer.
Apprenons étape par étape les techniques d'analyse prévisionnelle des séries chronologiques à travers divers exemples pratiques, tels que les tendances du cours de l'action Google, la prévision de l'utilisation de la bande passante des centres de données, la prévision du nombre mensuel de passagers aériens, la prévision des prescriptions d'antidiabétiques et la prévision de la consommation d'électricité des ménages.
Après avoir terminé ce livre, vous apprendrez diverses techniques d'analyse de données de séries temporelles que vous pourrez appliquer immédiatement dans votre travail.
Contenu principal
● Concept de données de séries temporelles et développement de modèles de base
● Prévision basée sur des modèles statistiques tels que la moyenne mobile, l'autorégression et le SARIMAX
● Prédictions basées sur l'apprentissage profond, notamment les architectures LSTM et CNN
● Prophet, une bibliothèque de prédiction automatisée utilisant le modèle SARIMAX
SPÉCIFICATIONS DES PRODUITS
- Date d'émission : 25 juillet 2024
Nombre de pages, poids, dimensions : 508 pages | 1 004 g | 188 × 245 × 25 mm
- ISBN13 : 9791193926314
Vous aimerez peut-être aussi
카테고리
Langue coréenne
Langue coréenne
![GQ KOREA Mark (Mensuel) : décembre [2025]](http://librairie.coreenne.fr/cdn/shop/files/8ef265dbbfbf186523ed75ba7319009d.jpg?v=1765340328&width=3840)
