Machine Learning for Time Series
Objectifs
Lors de l’apprentissage à partir de données structurées telles que les séries temporelles, une attention particulière doit être accordée aux modèles utilisés. En effet, la conception de modèles d’apprentissage automatique nécessite de réfléchir aux invariants à apprendre, et soit de les encoder dans le modèle, soit de concevoir le modèle de manière à ce qu’il soit capable de découvrir de tels invariants et de les encoder. Dans ce cours, nous aborderons l’utilisation de méthodes basées sur l’alignement dans les modèles traditionnels d’apprentissage automatique. Les architectures de réseaux neuronaux dédiés seront également abordées. Tous ces modèles seront illustrés sur des données réelles. Après ce cours, l’étudiant sera capable de choisir un modèle d’apprentissage automatique adéquat et de l’appliquer à une tâche de série temporelle donnée.
Plan
– Invariance des décalages dans les séries temporelles
– Méthodes basées sur l’alignement pour les séries temporelles
– Réseaux neuronaux récurrents
– Modèles convolutifs pour les séries temporelles
Prérequis
Notions de base sur les réseaux neuronaux