À la fin de ce cours, les apprenants seront en mesure d'identifier les fondements de l'apprentissage profond, d'analyser des ensembles de données sur les cours boursiers, d'appliquer des techniques de prétraitement et de mise à l'échelle des caractéristiques, de développer un RNN avec des couches LSTM et d'évaluer les prédictions à l'aide de données financières réelles. Ce cours pratique emmène les apprenants à travers le parcours complet de la construction d'un modèle de prévision des cours boursiers avec Python. En commençant par la configuration de l'environnement et l'exploration des ensembles de données, les participants apprendront à prétraiter les données, à effectuer une analyse exploratoire des données et à appliquer des transformations qui préparent les entrées pour les modèles d'apprentissage profond. Le cours plonge ensuite dans la construction et l'entraînement d'un Réseau neurones récurrents, en tirant parti des couches LSTM pour capturer les dépendances séquentielles dans les cours boursiers. Les apprenants testeront les prédictions sur des données inédites et visualiseront les résultats pour interpréter la précision du modèle. Ce qui rend ce cours unique, c'est son approche pratique basée sur des projets - au lieu d'une théorie abstraite, chaque étape est liée à des données réelles sur les cours boursiers d'Apple. Que vous soyez un débutant en science des données ou que vous cherchiez à vous spécialiser dans les prévisions de séries temporelles, ce cours vous dote des compétences nécessaires pour appliquer en toute confiance les modèles d'apprentissage profond aux prédictions financières et au-delà.