Dans ce module, nous nous pencherons sur les notions d'autocorrélation et d'indépendance. Nous commencerons par étudier les mathématiques de la corrélation et la manière dont elle peut être utilisée pour caractériser la relation entre deux variables. Ensuite, nous définirons sa relation avec l'indépendance et expliquerons où ces idées peuvent être utilisées. Enfin, nous combinerons la corrélation avec les attributs des séries temporelles, tels que la tendance, la saisonnalité et la stationnarité, pour obtenir l'autocorrélation. Nous verrons à la fois la théorie qui sous-tend l'autocorrélation et la manière de la coder en Python.

Dans ce module, nous commencerons par revoir certains des concepts de base de la régression linéaire. Ensuite, nous étendrons ces connaissances à la régression décalée, un moyen efficace d'utiliser les techniques de régression sur les séries temporelles. Une fois que nous aurons acquis de solides connaissances en matière de régression de base et de régression décalée, nous explorerons des méthodes modernes telles que l'ARIMA (moyenne mobile intégrée autorégressive). Tout cela permet de construire le cadre de modèles d'apprentissage automatique plus avancés, tels que les LSTM (réseau de mémoire à long terme).

Dans le projet de fin d'études, nous ferons des prévisions de la demande à l'aide de modèles ARIMA.