Prévision et séries chronologiques : prévoir la suite
Prévoyez la demande, les billets et les besoins en personnel assez bien pour agir. Comparez des prévisions simples, statistiques, par apprentissage automatique et par modèle de fondation dans un seul test rétrospectif honnête, transformez l'intervalle de la prévision en commande de stock et en horaire du personnel, et faites-la tourner chaque semaine.
Lisez toutes les leçons sans compte, ou connectez-vous pour vous inscrire et suivre vos progrès.
Inscrivez-vous pour enregistrer les leçons que vous terminez. C'est gratuit.
Vous êtes inscrit. Dès maintenant, les leçons que vous terminez sont enregistrées.
Pour obtenir votre certificat, marquez chaque vérification des connaissances comme concordante. Ces leçons ont des vérifications à terminer :
Ce cours est-il le bon pour vous?Ce que ce cours couvre et ne couvre pas, et 3 autres cours pour d'autres besoins.
Ce cours enseigne la prévision comme un outil de décision : lire une série chronologique, des références de base simples et des tests rétrospectifs honnêtes, des méthodes statistiques, par apprentissage automatique et par modèle de fondation comparées sur les mêmes données, les hiérarchies, les produits qui se vendent peu et les nouveaux produits, les intervalles de prévision, la commande de stock et l'horaire du personnel qu'elles alimentent, et une prévision qui tourne chaque semaine. Il n'enseigne pas l'apprentissage supervisé depuis le début, les détecteurs d'anomalies ni la plateforme qui planifie et surveille les tâches.
Cadrer une prévision à partir de la décision qu'elle soutient : ce qui est prévu, à quel niveau, à quel horizon, à quelle fréquence, et le coût d'une prévision trop haute ou trop basse.
Lire une série chronologique (tendance, saisonnalité, jours fériés, changements de niveau, autocorrélation et périodes manquantes) et la nettoyer sans cacher la vraie demande.
Construire et comparer des méthodes statistiques (naïve, naïve saisonnière, moyenne mobile, ETS, ARIMA) et des méthodes par apprentissage automatique (régression et LightGBM avec des variables décalées et de calendrier), avec un modèle de fondation comme point de comparaison.
Tester les prévisions honnêtement avec des tests rétrospectifs à origine glissante et les bonnes mesures (MASE, WAPE, biais, perte pinball), et choisir selon le coût de la décision.
Prévoir des séries nombreuses et des séries difficiles : des hiérarchies qui doivent s'additionner, la demande intermittente, les nouveaux produits sans historique, et l'incertitude sous forme de quantiles et d'intervalles.
Exploiter une prévision en production : une tâche planifiée, le suivi des prévisions, le réentraînement, les personnes qui ajustent la prévision à la main, et une commande de stock et un horaire du personnel qui en découlent.
À propos de ce cours
Larkfield a commandé 2 000 parasols pour un été qui a été froid, et des centaines ont été vendus au rabais à l’automne. Pendant la seule semaine chaude de cet été, le centre d’assistance avait trop peu d’agents, et les clients ont attendu une journée de plus pour avoir une réponse. Les deux erreurs venaient d’une prévision, et les deux ont eu un coût.
Dans ce cours, vous suivez Priya, la scientifique des données de Larkfield, qui construit les prévisions que Kenji utilise pour commander le stock et que Grace utilise pour planifier l’horaire du centre d’assistance. Vous commencez par les prévisions les plus simples, comme « la même chose que la semaine dernière », et vous testez chaque méthode de la même façon honnête : sur des dates que la méthode n’a pas vues. Chaque module ajoute des lignes à un seul tableau du test rétrospectif. Vous voyez ainsi une méthode simple battre une méthode complexe sur certaines séries et perdre sur d’autres, et vous apprenez pourquoi.
Ensuite, vous transformez la prévision en décision. Une prévision est un intervalle, pas un seul nombre. Vous choisissez la quantité de stock à commander et le nombre d’agents à prévoir à partir de cet intervalle et du coût d’une vente perdue, d’un article invendu et d’une heure sans personnel. Vous terminez avec une petite tâche qui tourne chaque semaine, surveille sa propre erreur et enregistre chaque fois qu’une personne modifie la prévision.
Les données de Larkfield sont synthétiques : nous les avons créées pour ce cours, avec les problèmes des vraies données, et nous avons caché leurs dernières semaines pour que vous puissiez noter vos prévisions comme la réalité le ferait. Chaque carnet fonctionne sur le processeur d’un ordinateur portable ou sur Colab gratuit en quelques minutes.
Avant de commencer
Vous avez terminé le cours Apprentissage automatique : du problème à un modèle fiable, ou vous avez les mêmes compétences. Vous savez lire et modifier du code Python et pandas dans un carnet (notebook), et vous connaissez les données d'entraînement et de test, les mesures de régression et l'amplification de gradient. Le cours de mathématiques aide mais n'est pas obligatoire. Vous avez besoin d'un compte Google ou Kaggle gratuit pour les carnets, ou de Python 3.12 sur votre ordinateur. Vous n'avez besoin ni de clé, ni d'argent.
Les scientifiques des données, les ingénieurs en apprentissage automatique et les analystes qui doivent prévoir la demande, les ventes, la charge, les billets ou les besoins en personnel, et les ingénieurs qui font tourner ces prévisions chaque semaine.
Comment nous avons créé ce cours
Des spécialistes de l'IA expérimentés ont conçu ce cours. L'IA nous a aidés à rédiger le contenu; des personnes ont choisi l'approche pédagogique et les exemples, et ont révisé chaque leçon. Les résultats que vous voyez sont les vrais résultats de l'exécution du code. Comment nous créons les cours
Dans ce cours
Module 1Les prévisions servent des décisions
3 leçons
Les prévisions servent des décisions. Vous découvrez un été avec trop de parasols et trop peu d'agents au centre d'assistance, vous cadrez une prévision par son niveau, son horizon et son coût, et vous ouvrez les données de Larkfield et le tableau du test rétrospectif.
Lire une série chronologique. Vous séparez une série en tendance, en saisons et en reste, vous mesurez sa mémoire avec les décalages et l'autocorrélation, vous placez les jours fériés et les promotions dans un calendrier, et vous nettoyez les jours manquants et les ruptures de stock sans cacher la demande.
Références de base et tests honnêtes. Vous construisez les prévisions naïves, vous les testez avec un test rétrospectif à origine glissante, et vous mesurez l'erreur avec la MASE, la WAPE et le biais au lieu d'une mesure qui ne fonctionne plus les jours à zéro.
Méthodes statistiques. Le lissage exponentiel, ARIMA et SARIMA, puis MSTL et Theta pour les billets par heure avec une saison quotidienne et une saison hebdomadaire, chacun ajouté au tableau du test rétrospectif.
Méthodes par apprentissage automatique. La prévision comme une régression avec des variables décalées, de calendrier et de promotion, un seul modèle LightGBM pour tous les produits, un modèle de fondation préentraîné sur un processeur (CPU), et quand une méthode simple est le meilleur choix.
Séries difficiles et séries nombreuses. Vous rapprochez les prévisions par produit, par catégorie et par région pour qu'elles s'additionnent, vous prévoyez les produits qui se vendent peu avec Croston, les nouveaux produits à partir de produits analogues, et les séries après une hausse de prix.
L'incertitude et la décision. Vous transformez une prévision en intervalle, vous la notez avec la couverture et la perte pinball, et vous choisissez la commande de stock et l'horaire du personnel à partir du coût d'une erreur.
Exploiter une prévision en production. Une tâche de prévision hebdomadaire qui vérifie ses données et garde chaque prévision, une alarme de biais, et les ajustements manuels des planificateurs, mesurés par la valeur qu'ils ajoutent.
Dernier module · choisissez-en au moins uneÉtudes de cas
3 études de cas
Trois études de cas complètes sur de vraies données ouvertes. La demande de vélos en libre-service, la charge électrique de nombreux clients, et les ventes d'un détaillant en ligne avec une hiérarchie. Terminez-en au moins une pour obtenir le certificat. Chacune peut entrer dans votre portfolio.
Terminez au moins une étude de cas pour obtenir le certificat. Les autres sont facultatives. Ce que couvre chacune
Des projets réalistes du début à la fin, sur de vraies données, avec chaque résultat expliqué. Chacun devient une pièce de votre portfolio. Terminez-en au moins une pour obtenir le certificat; les autres sont facultatives.
Prévoyez les locations de vélos par heure ou par jour avec la météo, comparez la méthode naïve saisonnière, MSTL, LightGBM et Chronos-Bolt dans un test rétrospectif, et décidez combien de vélos déplacer.
Prévoyez la charge électrique de nombreux clients, comparez des modèles globaux et par série avec des prévisions par quantile, et chiffrez le coût d'acheter trop peu ou trop d'électricité.
Prévoyez les ventes d'un détaillant en ligne par pays et par produit, rapprochez la hiérarchie, traitez les produits qui se vendent peu, et fixez les quantités à commander à partir d'une table de coûts.
Avis
Chargement des avis…
Vous avez suivi ce cours? Connectez-vous pour donner votre avis. Vous pouvez donner un avis après avoir terminé 25 % des leçons.