Prédiction des'séries temporelles en deep learning - Partie2

Pour aller encore plus loin que dans ma formation "Prédiction des séries temporelles en deep learning - Partie1" où vous avez travaillé sur le modèle DA-RNN, vous allez découvrir dans cette formation de nouveaux modèles plus complexes (DSTP-RNN, HRHN, STAM, Wavenet). Ils sont issus de la recherche scientifique de ces dernières années et sont dédiés à la prédiction des séries temporelles avec le deep learning sous Python. Nous utiliserons les librairies telles que Tensorflow, Keras, Pandas, Numpy, Scikit learn pour les coder et nous les optimiserons avec la librairie Raytune.

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 9 thèmes d'étude:Le modèle DSTP-RNN est un modèle de type Seq2Seq multivarié, évolution majeure du modèle DA-RNNLe modèle HRHN utilise des réseaux récurrents spécifiques de type RHN (Recurrent Highway Network) et des couches de convolutions 1D. La méthode de compensation des erreurs à base de correcteur PID (Proportionnel Intégral Dérivé)La librairie Raytune permet d'optimiser les hyperparamètres des modèles. Elle propose par exemple des algorithmes d'optimisation Bayesiens et différents planificateurs.

La méthode des forets aléatoires (Random Forest) est un algorithme puissant du deep learning pour faire de la régression et de la classification. L'algorithme Random Forest permet également de sélectionner les variables les plus importantes contenues dans une série multivariée. Utiliser la librairie VSURF sous R, spécifiquement conçu pour l'identification de l'importance des variables, sur un serveur dédié Google Cloud.