Deep learning: la dernière frontière de l’analyse des séries chronologiques?

Ce n’est un secret pour personne que l’apprentissage en profondeur a révolutionné de multiples domaines de perception tels que la vision, la compréhension du langage et de la parole, et a repoussé la frontière. Dans le même temps, des routines mathématiques et algorithmiques assez standard sont encore utilisées pour traiter un type de données important, notamment des séries chronologiques, des signaux numériques et des observations séquentielles. Dans cet exposé, nous examinerons quelles sont les principales sources de séries temporelles dans le monde, ce qu’est l’algorithme «de base» et comment l’améliorer avec précision et le remplacer par une architecture de réseau neuronal différente. En plus des informations détaillées du modèle, nous étudierons également les tâches typiques à résoudre lorsqu’il s’agit de séries temporelles: classification, prédiction, détection d’anomalies, simulation, etc., et nous pouvons utiliser un apprentissage profond précis pour résoudre ces problèmes. . Le niveau le plus avancé. Une certaine expérience de l’utilisation des séries chronologiques / du traitement du signal est utile, mais pas obligatoire. Conférencier: Oleksandr Honchar (Neurons Lab / Mawi Solutions) | 🤗Rejoignez notre prochaine conférence ML | Conférence sur l’innovation en apprentissage automatique | 👍Aimez-nous sur Facebook | Suivez-nous sur Twitter | sur Twitter |.