Accès direct au contenu

MATH

Version anglaise

aide

Accueil > Formations > Master MVA > Présentation des cours

Apprentissage pour les séries temporelles

Intervenant : Laurent Oudre (ENS Paris Saclay)

Objectif du cours :

Dans de nombreux contextes applicatifs (santé, économie, publicité…), les données recueillies prennent la forme de séries temporelles. L’enjeu fondamental consiste alors à choisir une représentation adaptée, permettant de tenir compte au mieux de l’information temporelle.
Ce cours vise à fournir un panorama des techniques utilisées en apprentissage pour l’étude des séries temporelles, dans différentes tâches telles que l’extraction et la reconnaissance de motifs, la détection d’anomalies, la prédiction, l’interpolation etc. Le cours sera largement illustré sur des données et des problèmes réels issus de challenges actuels et insistera notamment sur les aspects liés à la compréhension et à l'interprétation des données.

Thèmes abordés :

  • Extraire et reconnaître des motifs
  • Modéliser et représenter
  • Détecter des changements et des anomalies
  • Réparer les données : débruitage et interpolation de données manquantes
  • Extraire et sélectionner des caractéristiques pertinentes
  • Gérer la multivariation grâce aux graphes

Pré-requis :

  • Probabilités, statistiques
  • Notions en apprentissage et traitement du signal
  • Organisation des séances :

    6 séances de cours de 4h + soutenances

    Mode de validation :

    • Compte-rendus de TP (25%) et mini-projets (rapport 25%, code source 25% et soutenance 25%)

    Références :

    • -Wohlberg, B. (2015). Efficient algorithms for convolutional sparse representations. IEEE Transactions on Image Processing, 25(1), 301-315.
    • - Hills, J., Lines, J., Baranauskas, E., Mapp, J., & Bagnall, A. (2014). Classification of time series by shapelet transformation. Data Mining and Knowledge Discovery, 28(4), 851-881.
    • -Bisgaard, S., & Kulahci, M. (2011). Time series analysis and forecasting by example. John Wiley & Sons.
    • -Tosic, I., & Frossard, P. (2011). Dictionary learning. IEEE Signal Processing Magazine, 28(2), 27-38.
    • - Truong, C., Oudre, L., & Vayatis, N. (2020). Selective review of offline change point detection methods. Signal Processing, 167, 107299.
    • - Chandola, V., Banerjee, A., & Kumar, V. (2009). Anomaly detection: A survey. ACM computing surveys (CSUR), 41(3), 1-58.
    • -J. Li et al. Feature selection : A data perspective. ACM Computing Surveys (CSUR) 50.6 (2018) : 94
    • - Ortega, A., Frossard, P., Kovačević, J., Moura, J. M., & Vandergheynst, P. (2018). Graph signal processing: Overview, challenges, and applications. Proceedings of the IEEE, 106(5), 808-828.

    Plus de détails :

    • http://www.laurentoudre.fr/ast.html