Séries temporelles & Prévisions
Analyse temporelle, stationnarité, ARIMA, Prophet, seasonal decomposition, métriques de prévision, backtesting
1Qu'est-ce qu'une série temporelle ?
Qu'est-ce qu'une série temporelle ?
Réponse
Une série temporelle est une séquence de points de données indexés dans l'ordre chronologique. Les observations sont collectées à intervalles réguliers (horaire, journalier, mensuel) et présentent souvent des dépendances temporelles. Exemples classiques : cours de bourse, températures, ventes mensuelles.
2Quelles sont les trois composantes principales d'une série temporelle dans une décomposition classique ?
Quelles sont les trois composantes principales d'une série temporelle dans une décomposition classique ?
Réponse
La décomposition classique d'une série temporelle identifie trois composantes : la tendance (évolution à long terme), la saisonnalité (patterns répétitifs à intervalles fixes) et le résidu (bruit aléatoire non expliqué). Cette décomposition peut être additive ou multiplicative selon la nature des données.
3Qu'est-ce que la stationnarité d'une série temporelle ?
Qu'est-ce que la stationnarité d'une série temporelle ?
Réponse
Une série temporelle est stationnaire lorsque ses propriétés statistiques (moyenne, variance, autocorrélation) restent constantes dans le temps. La stationnarité est une hypothèse fondamentale pour de nombreux modèles de prévision comme ARIMA. Une série non stationnaire doit souvent être transformée (différenciation) avant modélisation.
Quel test statistique est couramment utilisé pour vérifier la stationnarité d'une série temporelle ?
Comment rendre une série temporelle non stationnaire stationnaire ?
+19 questions d'entretien
Autres sujets d'entretien Data Science & ML
Les bases de Python
Programmation Orientée Objet Python
Structures de données Python
Fondamentaux Git
Les bases de SQL
Fondamentaux NumPy
Les bases de Pandas
Jupyter & Google Colab
SQL Joins & Requêtes avancées
Pandas avancé
Visualisation avec Matplotlib & Seaborn
Visualisations interactives avec Plotly
Statistiques descriptives
Statistiques inférentielles
Web Scraping
BigQuery & Cloud Data
Feature Engineering
ML Supervisé : Régression
ML Supervisé : Classification
Arbres de décision & Ensembles
ML Non supervisé
Pipelines ML & Validation
Fondamentaux Deep Learning
TensorFlow & Keras
CNN & Classification d'images
RNN & Séquences
Transformers & Attention
NLP & Hugging Face
GenAI & LangChain
MLOps & Déploiement
Maîtrise Data Science & ML pour ton prochain entretien
Accède à toutes les questions, flashcards, tests techniques, exercices de code review et simulateurs d'entretien.
Commencer gratuitement