Prédiction des séries temporelles en deep learning - Partie2

Modèles avancés tirés de la recherche scientifique sous Keras/Tensorflow, Random Forest, optimisation d'hyperparamètres
4.85 (10 reviews)
Udemy
platform
Français
language
Data Science
category
Prédiction des séries temporelles en deep learning - Partie2
216
students
9.5 hours
content
Aug 2021
last update
$19.99
regular price

Why take this course?

Ça résume bien les différentes étapes et techniques que vous pouvez utiliser pour optimiser les hyperparamètres de vos modèles de machine learning, en particulier dans le contexte des forêts aléatoires, la sélection de variables, et l'utilisation de modèles avancés comme STAM et Wavenet. Voici un résumé de ce que vous avez décidé de couvrir et comment vous pourriez procéder :

  1. Optimisation des hyperparamètres : Vous avez choisi d'utiliser RayTune qui est une bibliothèque Python conçue pour optimiser les hyperparamètres de modèles d'apprentissage automatique. Elle propose des algorithmes d'optimisation efficaces tels que Hyperband, ASHA, PBT et permet également l'intégration de sous-systèmes externes comme HyperOpt ou l'optimisation Bayésienne.

  2. Utilisation de Tensorboard : Pour suivre l'évolution des modèles lors de l'optimisation des hyperparamètres, vous mentionnez Tensorboard qui est une interface pour visualiser les données d'entraînement de TensorFlow.

  3. Synchronisation avec Google Drive : Vous avez également envisagé de synchroniser les données avec Google Drive, ce qui est crucial pour la gestion des données et la collaboration dans des projets de grande envergure.

  4. Méthode des forêts aléatoires (Random Forest) : Vous avez expliqué que cet algorithme effectue un apprentissage parallèle sur de multiples arbres de décision, construits aléatoirement et entraînés sur des sous-ensembles de données. Il est particulièrement utile pour les problèmes de prédiction avec un grand nombre de variables exogènes.

  5. Sélection des variables importantes : Avec les forêts aléatoires, vous pouvez identifier les variables les plus importantes, en utilisant des techniques comme la méthode RFE (Recursive Feature Elimination) ou d'autres méthodes de sélection de variables.

  6. Utilisation de VSURF sous R : Vous avez mentionné VSURF, une librairie R conçue pour la sélection de variables dans les forêts aléatoires. Elle fournit deux sous-ensembles de variables : un pour l'importance et un autre pour la parcimonie, permettant à la fois l'interprétation et des prédictions fiables.

  7. Serveur dédié Google Cloud : Vous avez suggéré de configurer un serveur dédié sur Google Cloud Platform avec RStudio pour exécuter des calculs en parallèle, ce qui est essentiel pour traiter de grandes quantités de données.

  8. Modèle causal et évolutif (STAM) : Vous prévoyez de coder le modèle STAM, qui est conçu pour être causal et évolutif, permettant ainsi de sélectionner des variables fiables.

  9. Modèle Wavenet : Enfin, vous envisagez de coder et d'utiliser le modèle Wavenet, initialement conçu pour la génération d'audio mais qui a été adapté pour la prédiction des séries temporelles avec des résultats prometteurs.

En suivant ces étapes et en utilisant ces outils et techniques, vous pouvez non seulement améliorer la performance de vos modèles mais aussi gagner en précision dans l'interprétation des résultats grâce à une sélection plus pertinente des variables.

Course Gallery

Prédiction des séries temporelles en deep learning - Partie2 – Screenshot 1
Screenshot 1Prédiction des séries temporelles en deep learning - Partie2
Prédiction des séries temporelles en deep learning - Partie2 – Screenshot 2
Screenshot 2Prédiction des séries temporelles en deep learning - Partie2
Prédiction des séries temporelles en deep learning - Partie2 – Screenshot 3
Screenshot 3Prédiction des séries temporelles en deep learning - Partie2
Prédiction des séries temporelles en deep learning - Partie2 – Screenshot 4
Screenshot 4Prédiction des séries temporelles en deep learning - Partie2

Loading charts...

4250120
udemy ID
18/08/2021
course created date
22/08/2021
course indexed date
Bot
course submited by