Hello tout le monde, le notebook de la vidéo est disponible ici : github.com/LeCoinStat/100JoursDeML/blob/main/07_Series_Temporelles/01_ARIMA/01_Modele_Arima.ipynb Une faveur pour vous, n'oubliez pas de mettre un like 👍, de vous abonner et de partager 🔁 pour m'aider à faire grandir la chaîne. Let's go pour les 12 derniers jours de ce challenge. 🚀
Bonjour ! Très belle vidéo ! Quelques préoccupations techniques, je trouvais que ce n'était pas toujours très audible ni très clair (le notebook), je n'ai par exemple pas pu lire tous les packages qui étaient nécessaires Je me demandais pourquoi vous n'avez pas regardé s'il y a une éventuelle rupture (avec le test CUSUM) et comment on le fait sur Python, aussi est ce que vous avez d'autres vidéos sur les séries temporelles avec Python , merci
Excellent, y aura-t-il dans les prochains cours LSTM (bidirectionnel avec ses avantages) et GRU ou mieux comme modèle de régression, je teste un maximum de modèles, car je veux prédire une variable quantitative du type : le prix de la prochaine bougie (trading) pour toutes les variables OPEN, CLOSE, HIGH, LOW. Je dispose également des points pivots dans chaque timeframe ainsi que des volumes de chaque bougie. Les LSTM sont très sensibles à la qualité des features et de la target (outliers, missing values, scaling. etc ...) bien plus compliqué que les modèles d'arbres. peut-être est-ce pas le bon modèle pour ce genre de prédiction. De plus, il ne peut pas extrapoler (les arbres non plus). Uniquement de l'interpolation, si je ne me trompe pas. Dans votre job, quand vous voulez obtenir une prédiction pour des timeframe : heure, jour, semaine et mois, quel modèle vous semble le plus adapté ? beaucoup de questions, mais d'un intérêt crucial, :) merci :)). Le 27 Juin, je commence ma formation intégrateur web chez OpenClassRooms, je vais donc profiter d'intégrer les prédictions et classifications binaires ou multiclass dans mon portfolio en application web et API. Donc voilà un bon exercice, je fais d'une pierre 2 coups :))
On verra les réseaux de neurones peut-être après le challenge. Les ressources partagées dans ce challenge sont suffisantes dans 90% des cas lorsqu'on veut devenir data scientist. Bravo pour la formation chez OC et bon courage pour la suite.
Une excellente vidéo, merci beaucoup Natacha ! Juste une remarque ou préoccupation : étant donné que le paramètre "p", qui réfère à la composant Auto-Régressive dans le modèle ARIMA, est identifiable grâce au graphe du PACF, est-ce que les explications faites dans la vidéo sur l'ACF et le PACF ne sont pas inversées ?
J'ai un question, si sur la base de la sélection automatique du modèle, on a un modèle avec un paramètre qui n'est pas significatif, comment devrait-on gérer cela?
Très bonne vidéo bravo. svp moi quand suis votre tuto, sur la partie de cangement d'index ( mettre la date en index) je rencontre une erreur que voici: "None of ['Month'] are in the columns"
Hello again, mille et une questions, dans colab, on peut calculer à l'aide du GPU ou TPU, donc on calcule en parallèle, mais on peut obtenir des résultats différents sur le même jeu de donnés avec les mêmes hyperparametres. Cela se produit même avec le random_state identique sur chaque run, car le calcul est séquentiel, sauf dans le cas du random forest (bagging) par exemple. Y a t il une liste qui peut nous dire si le modèle utilisé peut être parallélisé ?. Je crois qu'il existe des frameworks "déterministes" pour exécuter du séquentiel sur des GPU et éviter ainsi des résultats non répétitifs ? une idées ?? Merci
Merci pour la vidéo Dieu te bénisse abondamment, ma question est la suivante: Est ce possible de determiner à l'aide d'un code l'orde p et q sans toutefois regarder le graphe de ACF et PACF
Vous pouvez utiliser autoArima pour choisir automatiquement la valeur de p et de q mais c'est toujours bien d'analyser visuellement et de tester plusieurs valeurs
Bonjour ! Contenu de qualité, je m'abonne ! J'ai une petite question quant à la stationnarité des séries via le test ADF : ce n'est pas problématique d'interpréter les p-valeurs étant donnée qu'on ne sait pas si les séries sont stationnaires ou non? Car on sait que les p-valeurs ne sont plus valides en présences de non stationnarité, donc il faudra regarder plutôt la t-stat et se référer à la table de DF au lieu de conclure sur la p-value?
Bonjour très bonne vidéo, j'ai une question svp je veut compiler moi même votre modèle sur ma machine mais je ne sais pas si je dois prendre votre code sur spyder où jupiter,bref je ne sait pas comment n'y prendre svp besoin m'aide.
C'est top et grand merci. J'ai juste une petite question. Pourquoi as-tu considéré que le modèle est additif dans la décomposition de la série? Je pense que c'est un modèle multiplicatif et une transformation en log va la rendre sûrement additif. Je peux me tromper et je serai ravi que me tu me clarifies sur ce point. Encore grand merci pour ta méthodologie. C'est très simple et claire en t'ecoutant.
Au niveau de la décomposition l’idée c’était de montrer comment le faire sur python. Effectivement sur cette série on pense plus à une décomposition multiplicative. Ça fera certainement l’objet d’une autre vidéo. Merci pour la participation 😊
Tres bonne video. Merci beaucoup ! Juste dommage d'avoir passé un peu a la va-vite certaines notions primordiales comme les graphiques de la saisonnalité, résidus, la facon de choisir le p et le q ou encore le .summary()... Mais hormis ces details excellente video, claire et concise.
Et en observant l'évolution de la série elle est aussi stationnaire? Si oui vous pouvez vous baser sur l'analyse visuelle pour valider la stationnarité. Et vérifier la blancheur des résidus après avoir développé le modèle.
![ทุกครั้งที่หลับตา (Lucid Dream) - AYLA's [ Official MV ]](http://i.ytimg.com/vi/4i1OBAQyv58/mqdefault.jpg)
Hello tout le monde, le notebook de la vidéo est disponible ici :
github.com/LeCoinStat/100JoursDeML/blob/main/07_Series_Temporelles/01_ARIMA/01_Modele_Arima.ipynb
Une faveur pour vous, n'oubliez pas de mettre un like 👍, de vous abonner et de partager 🔁 pour m'aider à faire grandir la chaîne. Let's go pour les 12 derniers jours de ce challenge. 🚀
Vraiment un grand merci.
merci je vous donne arima pour attaqe reseau slt
Merci pour vos vidéos que vous produisez au quotidient.
juste maginfique !
merci pour le partage
Ça fait plaisir 😊
merci beaucoup , vous êtes impressionnantes
Merci du compliment
wouaou merci beaucoup pour cette vidéo Natacha
Avec plaisir 😊
Vous êtes vraiment très intelligent
Merci
Très bien expliqué
Merci à vous 😊
Bonjour ! Très belle vidéo ! Quelques préoccupations techniques, je trouvais que ce n'était pas toujours très audible ni très clair (le notebook), je n'ai par exemple pas pu lire tous les packages qui étaient nécessaires
Je me demandais pourquoi vous n'avez pas regardé s'il y a une éventuelle rupture (avec le test CUSUM) et comment on le fait sur Python, aussi est ce que vous avez d'autres vidéos sur les séries temporelles avec Python , merci
merci pour tes efforts mes vous expliquez tres rapidement
Magnifique !
Thanks
Excellent, y aura-t-il dans les prochains cours LSTM (bidirectionnel avec ses avantages) et GRU ou mieux comme modèle de régression, je teste un maximum de modèles, car je veux prédire une variable quantitative du type : le prix de la prochaine bougie (trading) pour toutes les variables OPEN, CLOSE, HIGH, LOW. Je dispose également des points pivots dans chaque timeframe ainsi que des volumes de chaque bougie. Les LSTM sont très sensibles à la qualité des features et de la target (outliers, missing values, scaling. etc ...) bien plus compliqué que les modèles d'arbres. peut-être est-ce pas le bon modèle pour ce genre de prédiction. De plus, il ne peut pas extrapoler (les arbres non plus). Uniquement de l'interpolation, si je ne me trompe pas. Dans votre job, quand vous voulez obtenir une prédiction pour des timeframe : heure, jour, semaine et mois, quel modèle vous semble le plus adapté ? beaucoup de questions, mais d'un intérêt crucial, :) merci :)). Le 27 Juin, je commence ma formation intégrateur web chez OpenClassRooms, je vais donc profiter d'intégrer les prédictions et classifications binaires ou multiclass dans mon portfolio en application web et API. Donc voilà un bon exercice, je fais d'une pierre 2 coups :))
On verra les réseaux de neurones peut-être après le challenge. Les ressources partagées dans ce challenge sont suffisantes dans 90% des cas lorsqu'on veut devenir data scientist. Bravo pour la formation chez OC et bon courage pour la suite.
Une excellente vidéo, merci beaucoup Natacha ! Juste une remarque ou préoccupation : étant donné que le paramètre "p", qui réfère à la composant Auto-Régressive dans le modèle ARIMA, est identifiable grâce au graphe du PACF, est-ce que les explications faites dans la vidéo sur l'ACF et le PACF ne sont pas inversées ?
Bjr est ce possible de faire une vidéo sur la fonction predict pour la prédiction après avoir implémenter le modèle ARIMA
très cool
Merci
Ça fait plaisir 😊
J'ai un question, si sur la base de la sélection automatique du modèle, on a un modèle avec un paramètre qui n'est pas significatif, comment devrait-on gérer cela?
Très bonne vidéo bravo.
svp moi quand suis votre tuto, sur la partie de cangement d'index ( mettre la date en index) je rencontre une erreur que voici: "None of ['Month'] are in the columns"
Super merci beaucoup
Avec plaisir
Hello again, mille et une questions, dans colab, on peut calculer à l'aide du GPU ou TPU, donc on calcule en parallèle, mais on peut obtenir des résultats différents sur le même jeu de donnés avec les mêmes hyperparametres. Cela se produit même avec le random_state identique sur chaque run, car le calcul est séquentiel, sauf dans le cas du random forest (bagging) par exemple. Y a t il une liste qui peut nous dire si le modèle utilisé peut être parallélisé ?. Je crois qu'il existe des frameworks "déterministes" pour exécuter du séquentiel sur des GPU et éviter ainsi des résultats non répétitifs ? une idées ?? Merci
Hello @Frank Dearr pas trop d'idée sur ce sujet. N'hésite pas à demander aux autres membres du groupe discord
Merci pour la vidéo Dieu te bénisse abondamment, ma question est la suivante: Est ce possible de determiner à l'aide d'un code l'orde p et q sans toutefois regarder le graphe de ACF et PACF
Vous pouvez utiliser autoArima pour choisir automatiquement la valeur de p et de q mais c'est toujours bien d'analyser visuellement et de tester plusieurs valeurs
Bonjour ! Contenu de qualité, je m'abonne ! J'ai une petite question quant à la stationnarité des séries via le test ADF : ce n'est pas problématique d'interpréter les p-valeurs étant donnée qu'on ne sait pas si les séries sont stationnaires ou non?
Car on sait que les p-valeurs ne sont plus valides en présences de non stationnarité, donc il faudra regarder plutôt la t-stat et se référer à la table de DF au lieu de conclure sur la p-value?
Bonjour très bonne vidéo, j'ai une question svp je veut compiler moi même votre modèle sur ma machine mais je ne sais pas si je dois prendre votre code sur spyder où jupiter,bref je ne sait pas comment n'y prendre svp besoin m'aide.
Je recommande d'utiliser Jupyter Notebook, c'est plus simple.
C'est top et grand merci. J'ai juste une petite question. Pourquoi as-tu considéré que le modèle est additif dans la décomposition de la série? Je pense que c'est un modèle multiplicatif et une transformation en log va la rendre sûrement additif. Je peux me tromper et je serai ravi que me tu me clarifies sur ce point. Encore grand merci pour ta méthodologie. C'est très simple et claire en t'ecoutant.
Au niveau de la décomposition l’idée c’était de montrer comment le faire sur python. Effectivement sur cette série on pense plus à une décomposition multiplicative. Ça fera certainement l’objet d’une autre vidéo. Merci pour la participation 😊
Tres bonne video. Merci beaucoup ! Juste dommage d'avoir passé un peu a la va-vite certaines notions primordiales comme les graphiques de la saisonnalité, résidus, la facon de choisir le p et le q ou encore le .summary()... Mais hormis ces details excellente video, claire et concise.
merci
De rien
Dans mon cas, l'ACF me donne une série stationnaire tandis que le test ADF me donne clairement une série stationnaire, que dois je conclure ?
Et en observant l'évolution de la série elle est aussi stationnaire? Si oui vous pouvez vous baser sur l'analyse visuelle pour valider la stationnarité. Et vérifier la blancheur des résidus après avoir développé le modèle.
très bonne explication le seule problème que j'ai rencontrée c'est que vous parlez trop vite... merci
Trés bonne explication merci beaucoup j'ai besoin de ton mail
De rien et merci
@@LeCoinStat je vuet vous m'aider pour faire un travail qur la serie chronologique
1)a , 2) a , 3) d , 4) a
1a 2a 3d 4a
Réponse ?
1a
2a
3d
4a
Bon courage pour la suite des vidéos Warys
Merci ,mais vous devez zoomer encore pour qu'on puisse bien voir le cours ,,,
Overfitting
1=a; 2=a; 3=d et 4=b
Je ferai une vidéo avec toutes les réponses👌