Découvrez comment le deep learning peut être appliqué à la prévision des cours boursiers en créant un réseau neuronal récurrent (RNN) doté de couches LSTM (Long Short-Term Memory) en Python. Ce cours pratique vous guide tout au long du processus complet, de la mise en place de votre environnement de développement et de la préparation des ensembles de données financières jusqu'à l'entraînement, l'évaluation et la visualisation d'un modèle d'apprentissage profond destiné à la prévision de séries chronologiques.

Vous apprendrez à analyser les données boursières, à effectuer une analyse exploratoire des données, à prétraiter les ensembles de données, à appliquer une mise à l'échelle des caractéristiques et des transformations cohérentes des données, ainsi qu'à construire un RNN capable de capturer les modèles séquentiels présents dans les données financières. À l’aide de données réelles sur le cours de l’action Apple, vous entraînerez un modèle basé sur le LSTM, générerez des prévisions sur des données non vues et évaluerez les performances de prévision par une comparaison visuelle avec les cours réels de l’action. Conçu pour les débutants en science des données ainsi que pour les apprenants souhaitant renforcer leurs compétences en apprentissage profond et en prévision de séries chronologiques, ce cours met l’accent sur la mise en œuvre pratique plutôt que sur des concepts isolés. En intégrant la préparation des données, le développement de réseaux neuronaux, la prédiction et l’évaluation des performances au sein d’un même projet, vous acquerrez la confiance nécessaire pour construire et évaluer des modèles RNN destinés à la prévision des cours boursiers à partir de données financières réelles.