GithubHelp home page GithubHelp logo

julielallement / serietemp_ensai Goto Github PK

View Code? Open in Web Editor NEW
0.0 1.0 0.0 1.41 MB

Travaux réalisés dans le cadre du cours de série temporelle à l'ENSAI. Prévision de production de bière et prévision de concentration de CO2

Jupyter Notebook 98.07% Python 1.93%
series-data series-forecasting series-prediction

serietemp_ensai's Introduction

Évaluation de Série Temporelle - ENSAI

Ce dépôt contient les travaux réalisés dans le cadre de l'évaluation de série temporelle du cours à l'ENSAI. L'évaluation comprend deux exercices distincts : la prévision de production mensuelle de bière en Australie et la prédiction de la concentration d'ozone à Rennes. Chaque exercice est abordé individuellement dans les répertoires correspondants.

Exercice 1 : Prévision de Production Mensuelle de Bière en Australie

Objectif

L'objectif de cet exercice est de prévoir la production mensuelle de bière en Australie pour la période allant de janvier 1956 à février 1991. Nous allons explorer les données, créer des modèles de série temporelle et effectuer des prévisions sur 12 mois à partir de la fin de la série.

Méthodologie

Dans ce répertoire, vous trouverez les scripts et les notebooks utilisés pour explorer les données, créer des modèles de série temporelle (par exemple, ARIMA, SARIMA) et effectuer des prévisions sur 12 mois. Les étapes de prétraitement, de modélisation et de validation sont documentées dans les fichiers correspondants.

Exercice 2 : Prédiction de la Concentration d'Ozone à Rennes

Objectif

L'objectif de cet exercice est de prédire la concentration d'ozone à Rennes à horizon d'un jour. Nous utilisons un ensemble de données contenant des mesures de concentration d'ozone du 01/04/1995 au 30/09/2002 pour créer un modèle de prédiction.

Données

Les données de concentration d'ozone sont fournies dans le fichier ozone_complet.txt.

Méthodologie

Dans ce répertoire, vous trouverez les scripts et les notebooks utilisés pour explorer les données, prétraiter les données, créer des modèles de prédiction (arima, xgboost) et évaluer les performances du modèle.

Les résultats sont énoncés à la fin de chaque exercice.

serietemp_ensai's People

Contributors

julielallement avatar

Watchers

 avatar

Recommend Projects

  • React photo React

    A declarative, efficient, and flexible JavaScript library for building user interfaces.

  • Vue.js photo Vue.js

    🖖 Vue.js is a progressive, incrementally-adoptable JavaScript framework for building UI on the web.

  • Typescript photo Typescript

    TypeScript is a superset of JavaScript that compiles to clean JavaScript output.

  • TensorFlow photo TensorFlow

    An Open Source Machine Learning Framework for Everyone

  • Django photo Django

    The Web framework for perfectionists with deadlines.

  • D3 photo D3

    Bring data to life with SVG, Canvas and HTML. 📊📈🎉

Recommend Topics

  • javascript

    JavaScript (JS) is a lightweight interpreted programming language with first-class functions.

  • web

    Some thing interesting about web. New door for the world.

  • server

    A server is a program made to process requests and deliver data to clients.

  • Machine learning

    Machine learning is a way of modeling and interpreting data that allows a piece of software to respond intelligently.

  • Game

    Some thing interesting about game, make everyone happy.

Recommend Org

  • Facebook photo Facebook

    We are working to build community through open source technology. NB: members must have two-factor auth.

  • Microsoft photo Microsoft

    Open source projects and samples from Microsoft.

  • Google photo Google

    Google ❤️ Open Source for everyone.

  • D3 photo D3

    Data-Driven Documents codes.