De quelles descripteurs avez-vous besoin pour entraîner un modèle de Machine Learning avec des séries temporelles?
Le but de ce document est d’introduire et de brièvement décrire les descripteurs que vous pouvez construire pour entraîner un modèle de machine learning lorsque vous travaillez avec des séries temporelles. Selon le problème que vous cherchez à résoudre, vous choisirez certains de ces descripteurs ou construirez même les vôtres.
Que comprend ce guide?
Ce qui est si particulier avec les séries temporelles et qui les distingue de tous les autres type de données est que les points de données sont ordonnés chronologiquement et qu’il est possible d’obtenir des d’informations en cherchant à comprendre les patterns d'une série de points.
Les séries temporelles ont des propriétés telles que la mémoire, la corrélation, les tendances ou les fluctuations saisonnières qui laissent des traces dans le temps. Être capable de révéler ces traces vous permettra d’identifier des patterns lors d’un certain comportement et de faire des prédictions sur l’évolution future de la série temporelle. Cela vous permettra aussi de distinguer les comportements anormaux par rapport à la normalité de la série. C'est un domaine qui attire beacoup d’intérêt à cause de la diversité des domaines d’applications: surveillance des dysfonctionnements, suivi de santé, défauts de production à grande échelle, détection de fraude ou encore détection d’intrusion, parmi tant d’autres.
Ainsi, afin de découvrir ces patterns, les données doivent être analysées par groupes séquentiels et non en considérant des points individuels.
Les séries temporelles ont des propriétés telles que la mémoire, la corrélation, les tendances ou les fluctuations saisonnières qui laissent des traces dans le temps. Être capable de révéler ces traces vous permettra d’identifier des patterns lors d’un certain comportement et de faire des prédictions sur l’évolution future de la série temporelle. Cela vous permettra aussi de distinguer les comportements anormaux par rapport à la normalité de la série. C'est un domaine qui attire beacoup d’intérêt à cause de la diversité des domaines d’applications: surveillance des dysfonctionnements, suivi de santé, défauts de production à grande échelle, détection de fraude ou encore détection d’intrusion, parmi tant d’autres.
Ainsi, afin de découvrir ces patterns, les données doivent être analysées par groupes séquentiels et non en considérant des points individuels.
