Récapitulation et examen final

Dix modules pour passer d'une série brute à une prévision de demande calibrée avec intervalles. Voici le cours condensé, puis l'arbre de choix de méthode qui doit rester en tête au moment de démarrer un nouveau projet.

Le cours d'un coup d'œil

Module	L'essentiel à retenir
1. Série temporelle vs autres données	La dépendance temporelle interdit le mélange aléatoire ; le découpage est chronologique et la fuite du futur guette dès la normalisation
2. Décomposition	Tendance, saisonnalité, bruit ; STL robuste puis MSTL pour deux saisonnalités ; le log rend le multiplicatif additif
3. Stationnarité et autocorrélation	ADF + KPSS ; différencier le moins possible ($d, D \in \{0, 1\}$) ; ACF/PACF donnent les ordres AR, MA, AR saisonnier, MA saisonnier
4. Modèles de référence	Naïf saisonnier est la seule baseline honnête sur données saisonnières ; battre de 10 à 30 % pour justifier la complexité
5. ARIMA et SARIMA	AIC pour arbitrer, diagnostic Ljung-Box obligatoire ; intervalles théoriques souvent optimistes de 5 à 10 points
6. Lissage exponentiel et Prophet	Holt-Winters robuste et rapide ; Prophet excelle sur saison annuelle et jours fériés, surajuste par défaut (baisser changepoint_prior_scale)
7. Variables de calendrier	Gradient boosting sur retards + fenêtres + calendrier bat SARIMA de 15-30 % ; un modèle par horizon plutôt que la récursivité
8. LSTM et Transformers	Le profond gagne surtout en modèle global sur beaucoup de séries ; DLinear rappelle qu'un modèle simple reste compétitif
9. Validation glissante	10 origines sur 12 mois ; MAE et MASE, MAPE piégée par les zéros ; couverture empirique des intervalles à mesurer
10. Projet final	Régression quantile pour les intervalles, calibration conforme pour la couverture, plan de réentraînement hebdomadaire

L'arbre de choix de méthode

Étape 1 — Type de tâche. Prévision univariée sur une série, ou multivariée avec des régresseurs riches ?

• Univariée sans régresseur → modules 5 et 6.
• Multivariée avec régresseurs → module 7 en priorité.

Étape 2 — Nombre de séries. Une seule série ou plusieurs centaines partageant une structure ?

• Une série → SARIMA, Holt-Winters, Prophet, ou gradient boosting.
• Plusieurs centaines de séries similaires → LSTM ou Transformer temporel en modèle global (module 8).

Étape 3 — Horizon. Court terme (1 à 7 pas) ou long terme (28+ pas) ?

• Court terme → tous les modèles conviennent ; les naïfs et le lissage exponentiel sont souvent suffisants.
• Long terme → SARIMA et Prophet gardent une structure explicite ; le boosting exige un modèle par horizon.

Étape 4 — Intervalles. L'usage exige-t-il des intervalles d'incertitude ?

• Oui → régression quantile calibrée (module 10) ; SARIMA en secours.
• Non → le meilleur modèle sur MAE suffit.

Les fils qui traversent le cours

Toute prévision de série temporelle repose sur le découpage chronologique. Le module 1 pose la règle, tous les autres la déclinent : la normalisation calculée sur le train seul (module 3), l'ingénierie de variables faite après la coupe (module 7), le fenêtrage qui préserve la frontière train/test (module 8), la validation par origine glissante (module 9). Toute violation de cette règle donne des scores flatteurs qui s'effondrent en production.

Le naïf saisonnier est le mètre étalon. Il apparaît au module 4 comme référence à battre, il calibre le MASE au module 9, et il figure sur le tableau final du module 10. Un modèle qui ne bat pas nettement le naïf saisonnier ne mérite pas d'être déployé, indépendamment de sa sophistication technique.

L'horizon dicte la méthode plus que la donnée. Un même modèle brille à 7 jours et échoue à 28 jours ; c'est pourquoi le module 7 recommande un modèle par horizon, pourquoi le module 8 insiste sur la prévision directe multi-pas, et pourquoi le module 9 exige la décomposition par pas. Concevoir un projet sans se demander « à quel horizon prévoyons-nous ? » est la première cause de dérive.

Les intervalles disent la moitié de la vérité. Une prévision ponctuelle sans intervalle n'est pas une prévision ; c'est une supposition. Le module 5 introduit les intervalles ARIMA, le module 10 les calibre par régression quantile et conformité. La couverture empirique mesurée, jamais nominale, est le seul chiffre à communiquer au métier.

L'examen final

L'examen comporte 40 questions couvrant les dix modules : nature d'une série temporelle et fuite du futur, décomposition et lecture des composantes, choix des ordres SARIMA à partir d'ACF et de PACF, valeur des baselines, Prophet et ses réglages, régresseurs futurs connus ou inconnus, LSTM en modèle global et modèles de fondation, MAPE piégée et MASE, calibration conforme et communication d'incertitude.

Plusieurs questions présentent des situations à diagnostiquer : un modèle qui bat le naïf de 2 % — vaut-il la peine ? un régresseur externe pour lequel on n'a pas de prévision à 28 jours — utilisable ou pas ? une couverture d'intervalle qui reste à 80 % malgré un nominal à 95 % — que faire ? un LSTM ajusté sur une série unique de 4 ans — pertinent ou non ? C'est le jugement qui est évalué, pas la récitation.

En cas de réussite, votre attestation d'achèvement est délivrée immédiatement ; son numéro est vérifiable par tout tiers sur la plateforme.

Avant de commencer

Reprenez le tableau ci-dessus et, pour chaque ligne, demandez-vous « comment verrais-je que je me trompe ici ? ». Si vous savez expliquer pourquoi un mélange aléatoire tue la validation, pourquoi la MAPE devient absurde sur des zéros, pourquoi un LSTM sur une seule série a peu de chances de gagner, et ce que change la calibration conforme sur des intervalles, vous êtes prêt. Bonne chance !

Examen final

Prêt à valider ce cours ?

40 questions tirées au hasard dans la banque du cours · seuil de réussite 70 % · certificat PDF vérifiable délivré immédiatement en cas de réussite.

Commencer l'examen

Connexion à votre compte InSkillML et abonnement actif requis. Vous pouvez aussi lancer l'examen depuis Mes cours.