:orphan:

|rss_image|  **2020-03 - 1/1** :ref:`Blog <ap-main-0>` :ref:`session (28) <ap-cat-session-0>`

.. |rss_image| image:: feed-icon-16x16.png
    :target: ../_downloads/rss.xml
    :alt: RSS

----


.. index:: 2020-03


.. _ap-month-2020-03-0:

2020-03 - 1/1
+++++++++++++

.. blogpostagg::
    :title: Plan pour la session du 23
    :date: 2020-03-23
    :keywords: scrapping,text mining,séries temporelles
    :categories: session
    :rawfile: 2020/2020-03-23_scrap.rst

    *Scrapping*
    
    * `Scraping, récupérer une image depuis LeMonde
      <http://www.xavierdupre.fr/app/ensae_teaching_cs/helpsphinx/notebooks/2018-10-02_scraping_recuperer_images.html>`_
    * `Web-Scraping
      <http://www.xavierdupre.fr/app/ensae_teaching_cs/helpsphinx/notebooks/TD2A_Eco_Web_Scraping.html>`_,
      `Web-Scraping - correction
      <http://www.xavierdupre.fr/app/ensae_teaching_cs/helpsphinx/notebooks/TD2A_Eco_Web_Scraping_corrige.html>`_
    * `API, API REST
      <http://www.xavierdupre.fr/app/ensae_teaching_cs/helpsphinx/notebooks/TD2A_eco_les_API.html>`_
    
    *Séries temporelles*
    
    Le module standard est :epkg:`statsmodels` qui implémente
    tous les modèles linéaires associés aux séries temporelles.
    Récemment, le module :epkg:`prophet` l'a supplanté avec plus
    d'options pour prédire, extraire la tendance, lissé,
    extraire la saisonnalité. Une approche assez nouvelle consiste
    à décomposer la série pour extraire les changements de tendance :
    changement de tendances, le module peut tenir compte
    des jours fériés.
    Trois notebooks extraits de la page
    `Timeseries - Séries temporelles
    <http://www.xavierdupre.fr/app/ensae_teaching_cs/helpsphinx/ml2a/td2a_mlplus_timeseries_series_temporelles.html>`_.
    

    ...





----

|rss_image|  **2020-03 - 1/1** :ref:`2022-01 (1) <ap-month-2022-01-0>` :ref:`2022-02 (4) <ap-month-2022-02-0>` :ref:`2022-09 (1) <ap-month-2022-09-0>` :ref:`2023-01 (2) <ap-month-2023-01-0>` :ref:`2023-02 (3) <ap-month-2023-02-0>`