Le projet de ce notebook a été réalisé dans le cadre de la formation d'ingénieur machine learning proposé par Openclassrooms.
Depuis de nombreuses années, les techniques de prévision des séries temporelles sont en fort développement, notamment grâce à l’augmentation constante de la puissance de calcul disponible. Cela a notamment permis de développer des modèles de prédictions fiables sur des bases de données de tailles importantes, répondant à des problématiques complexes. Les modèles classiquement utilisés actuellement sont basés sur différentes méthodes : les méthodes Auto ARIMA, PROPHET,TBATS etc. Aucune de ces méthodes ne peut être considérée meilleure qu’une autre, puisque les performances de chacune vont fortement dépendre du type et du nombre de données et de la complexité du problème. d’autres méthodes plus récentes existent afin d’améliorer les performances.
- Faire des prévisions à l'aide des modèles classique: Auto ARIMA, Prophet, Xgboost, Tbeats
- Faire des prévisions à l'aide des modèles récents: Nbeats, Tft, DeepAR
- Comparer les resultats de prévisions sur les modèles classiques et récents
- Un notebook de pré-traitement et d'entrainement des modèles.
- Un document de presentation des données
- Un rapport de synthèse des travaux réalisés