Prédiction des'séries temporelles en deep learning - Partie1

Ce cours fait suite à ma première formation "Formation au deep learning avec Python (Keras / Tensorflow)" qui vous a permis de faire une initiation sur la prédiction des séries temporelles. Pour aller plus loin, cette formation va vous permettre d'introduire des concepts d'attention utilisés pour réaliser différents modèles de prédiction. Vous allez découvrir en particulier le modèle DA-RNN.

Nous utiliserons les librairies telles que Tensorflow, Keras, Pandas, Numpy, Scikit learn,. Les travaux sont accessibles et exploitables en ligne grâce à l'utilisation des carnets Jupyter avec Google Colab. Aucune installation de logiciel spécifique sur son ordinateur n'est requise car tout le travail se fait en ligne.

A chaque étape d'apprentissage de ce cours, de nouveaux concepts sont introduits. Des explications claires permettent de bien les comprendre à travers 6 thèmes d'étude:Quelques rappels sur les modèles basiques de prédictions de séries temporelles qui utilisent des couches récurrentesComprendre et coder les concepts de base de l'attention dans les modèles basiques. Coder et mettre en auvre le modèle End-to-End Memory NetworkAppliquer les modèles de type Séquence vers Séquence (Seq2Seq) à la prédiction de l'énergie produite par des panneaux photovoltaïquesComprendre et coder l'attention de Badhanau et de Luong aux modèles Séquence vers SéquenceComprendre et coder un modèle multivarié à attention spatio-temporelle: le modèle DA-RNNLes activités en Python expliquent clairement comment les exploiter.

D'une durée totale de 7h, ce cours vous permettra d'être à l'aise dans l'utilisation avancée de Keras et Tensorflow pour coder vos propres couches et modèles, à partir de classes héritées. Les thèmes d'étude s'appuient sur des documents issus de la recherche scientifique et proposent des concepts importants qui ont été développés ces dernières années. === Prérequis ===Ce cours fait suite à ma première formation "Formation au deep learning avec Python (Keras / Tensorflow)".