Introduction aux séries temporelles - DatAtelier

[@hatumvictoire214]

Merci beaucoup pour cet Tuto cher Yohan

[@Vibelyrics-g4q]

vraiment merci c'est en 2024 et je contemple tjrs cette masterclass

[@La_mia-r5z]

Merci beaucoup ❤

[@abdouneBenallaoua]

Merci Pour ce tuto. à la 29:25 il me semble que les trois valeurs à prendre en compte pour le calcul de la moyenne mobile centrée sont 12 11 et 9 et non pas 11 9 et 10. Cordialement

[@yohancohen4768]

En effet, il y a une petite coquille à ce niveau. C’est bien la moyenne entre 12, 11 et 9 qui est indiquée ici. Merci

[@0moo]

merci frero

[@ghilentagnit2326]

54:54 vous avez inverser p et q ???

[@mahdouch_Mahdi_FCB]

Merci beaucoup

[@kitor9022]

Bonjour et merci pour votre vidéo. Comment peut-on savoir le type de non stationnarité (TS ou DS ) ? Le modèle ARIMA applique une différenciation en cas de non stationnarité, est ce que le modèle est bon pour un processus TS ?

[@Proarmelo]

Merci. Comment je peux avoir le jeu de donnée "Passagers" sur le quel vous avez modelisé?

[@DataScientest]

Bonjour, il s'agit là d'un jeu de données bien connu utilisé pour la modélisation avec les séries temporelles. Vous pouvez notamment le trouver en open source sur Kaggle par exemple : www.kaggle.com/datasets/rakannimer/air-passengers

[@instrumental_box]

Merci beaucoup pour ce tuto Yohan. Très bien expliqué. A la 39:42 j'aimerais savoir stp pourquoi Moving Average (MA) sert à modéliser une série temporelle à l'aide des erreurs. Pourtant d'après son nom il devait utiliser les moyennes mobiles non?

[@DataScientest]

Bonjour Julio, Le terme "Moving Average" (MA) en économétrie a évolué pour représenter la moyenne des erreurs dans le temps, d'où son nom. Bien que le terme puisse prêter à confusion, son utilisation spécifique dans les modèles ARMA reflète son rôle dans la modélisation des composantes d'erreur temporelles.

[@jalillahrach9449]

est-ce possible d'avoir accès aux Jupyter pour s'entrainer sur le code ? Merci d'avance.

[@franckbenyacinesawadogo8797]

avez vous un dépot github où l'on pourrait consulter le code??

[@DataScientest]

Bonjour, voici le Github : github.com/YOHANCOHENCODES/Data_atelier_time_series !

[@franckbenyacinesawadogo8797]

merci@@DataScientest

[@elijoelessononzoghe3585]

En fait je crois que vous repassez à exponentiel parce que le modèle était d'abord au départ multiplicatif et pour le remettre au multiplicatif puisqu'on remarque que le modèle multiplicatif la tendance est toujours croissante, exponentielle étant une fonction qui croit très vite, il a fallu l'utiliser. Une réciproque de la fonction log mais qui va plus vite:)))!

[@JarodAk47]

Bonjour, Si on nous donne un ou plusieurs graphiques et qu'on nous demande de donner la tendance et la saisonnalité il s'agit de faire d'expliquer cela verbalement, ou alors de les déterminer par des calculs?

[@DataScientest]

Bonjour, l'observation des graphiques peut suffire pour identifier les tendances et la saisonnalité, surtout dans les cas où les motifs sont évidents. Cependant, cela dépend de la complexité et de la clarté des données. Parfois, les tendances et les saisonnalités peuvent être subtiles ou masquées par la variabilité des données, rendant l'observation visuelle moins fiable. L'observation simple des graphiques ne permet pas de quantifier l'ampleur des tendances et des saisons, ce qui peut être important pour des analyses plus détaillées. Pour des analyses plus précises et objectives, l'utilisation de méthodes de calcul est recommandée. Une combinaison des deux approches est généralement la meilleure stratégie pour obtenir des résultats fiables.

[@aliousow3979]

À quoi sert les critères : AKAIKE, SCHWARTZ, HANNAN ET QUINN

[@ghilentagnit2326]

Pourquoi avoir choisi 120 ET 131 dans la prédiction en terme d'années

[@Lapookie]

Et ensuite en situation réelle comment prédire les dates futures ??

[@aliousow3979]

J'ai pas compris lissage

[@ZakiBounab-dr8xo]

Le bruit blanc toujours =0 . Où on peut dir leur tendanc est 0 . C'est le résidu