ML-For-Beginners/translations/fr/7-TimeSeries

Introduction à la prévision des séries temporelles

Qu'est-ce que la prévision des séries temporelles ? Il s'agit de prédire des événements futurs en analysant les tendances du passé.

Sujet régional : consommation mondiale d'électricité ✨

Dans ces deux leçons, vous serez initié à la prévision des séries temporelles, un domaine de l'apprentissage automatique un peu moins connu mais néanmoins extrêmement précieux pour les applications industrielles et commerciales, entre autres. Bien que les réseaux neuronaux puissent être utilisés pour améliorer l'efficacité de ces modèles, nous les étudierons dans le contexte de l'apprentissage automatique classique, car ces modèles aident à prédire les performances futures en se basant sur le passé.

Notre sujet régional est la consommation électrique dans le monde, un ensemble de données intéressant pour apprendre à prévoir la consommation future d'énergie en fonction des schémas de charge passés. Vous pouvez constater à quel point ce type de prévision peut être extrêmement utile dans un environnement commercial.

Photo de Peddi Sai hrithik de pylônes électriques sur une route au Rajasthan sur Unsplash

Leçons

1. Introduction à la prévision des séries temporelles
2. Construction de modèles ARIMA pour les séries temporelles
3. Construction d'un Support Vector Regressor pour la prévision des séries temporelles

Crédits

"L'introduction à la prévision des séries temporelles" a été écrite avec ⚡️ par Francesca Lazzeri et Jen Looper. Les notebooks sont apparus pour la première fois en ligne dans le repo Azure "Deep Learning For Time Series" initialement rédigé par Francesca Lazzeri. La leçon sur le SVR a été écrite par Anirban Mukherjee.

---

Avertissement :
Ce document a été traduit à l'aide du service de traduction automatique Co-op Translator. Bien que nous nous efforcions d'assurer l'exactitude, veuillez noter que les traductions automatisées peuvent contenir des erreurs ou des inexactitudes. Le document original dans sa langue d'origine doit être considéré comme la source faisant autorité. Pour des informations critiques, il est recommandé de recourir à une traduction professionnelle réalisée par un humain. Nous déclinons toute responsabilité en cas de malentendus ou d'interprétations erronées résultant de l'utilisation de cette traduction.