{"id":7676,"date":"2021-01-25T10:45:27","date_gmt":"2021-01-25T15:45:27","guid":{"rendered":"https:\/\/canarie.machinedev.ca\/nuage\/boosterpacks\/catalogue\/time-series-prediction-with-machine-learning\/"},"modified":"2024-10-30T09:49:27","modified_gmt":"2024-10-30T13:49:27","slug":"prevision-de-series-chronologiques-par-apprentissage-automatique","status":"publish","type":"page","link":"https:\/\/www.canarie.ca\/fr\/catalogue\/prevision-de-series-chronologiques-par-apprentissage-automatique\/","title":{"rendered":"Plan de vol : pr\u00e9vision de s\u00e9ries chronologiques par apprentissage automatique"},"content":{"rendered":"\n<section class=\"section section--banner simple-fade light-blue alignfull\">\n  <div class=\"grid-container text-center\">\n  \t\t  \t\t  \t  <div class=\"large\"><p><span class=\"TextRun SCXW20856404 BCX0\" lang=\"EN-CA\" xml:lang=\"EN-CA\" data-contrast=\"none\"><span class=\"NormalTextRun SCXW20856404 BCX0\">Bien que le programme ATIR <\/span><span class=\"NormalTextRun SpellingErrorV2Themed SCXW20856404 BCX0\">n\u2019accepte<\/span><span class=\"NormalTextRun SCXW20856404 BCX0\"> plus les <\/span><span class=\"NormalTextRun SpellingErrorV2Themed SCXW20856404 BCX0\">demandes<\/span><span class=\"NormalTextRun SCXW20856404 BCX0\"> pour les <\/span><span class=\"NormalTextRun SpellingErrorV2Themed SCXW20856404 BCX0\">ressources<\/span> <span class=\"NormalTextRun SpellingErrorV2Themed SCXW20856404 BCX0\">en<\/span> <span class=\"NormalTextRun SpellingErrorV2Themed SCXW20856404 BCX0\">nuage<\/span><span class=\"NormalTextRun SCXW20856404 BCX0\">, <\/span><span class=\"NormalTextRun SpellingErrorV2Themed SCXW20856404 BCX0\">vous<\/span> <span class=\"NormalTextRun SpellingErrorV2Themed SCXW20856404 BCX0\">avez<\/span> <span class=\"NormalTextRun SpellingErrorV2Themed SCXW20856404 BCX0\">toujours<\/span> <span class=\"NormalTextRun SpellingErrorV2Themed SCXW20856404 BCX0\">acc\u00e8s<\/span><span class=\"NormalTextRun SCXW20856404 BCX0\"> aux <\/span><span class=\"NormalTextRun SpellingErrorV2Themed SCXW20856404 BCX0\">Propulseurs<\/span><span class=\"NormalTextRun SCXW20856404 BCX0\"> et \u00e0 <\/span><span class=\"NormalTextRun SpellingErrorV2Themed SCXW20856404 BCX0\">leur<\/span><span class=\"NormalTextRun SCXW20856404 BCX0\"> documentation, qui <\/span><span class=\"NormalTextRun SpellingErrorV2Themed SCXW20856404 BCX0\">seront<\/span> <span class=\"NormalTextRun SpellingErrorV2Themed SCXW20856404 BCX0\">pr\u00e9serv\u00e9s<\/span><span class=\"NormalTextRun SCXW20856404 BCX0\"> et <\/span><span class=\"NormalTextRun SpellingErrorV2Themed SCXW20856404 BCX0\">b\u00e9n\u00e9ficieront<\/span><span class=\"NormalTextRun SCXW20856404 BCX0\"> d\u2019un <\/span><span class=\"NormalTextRun SpellingErrorV2Themed SCXW20856404 BCX0\">soutien<\/span> <span class=\"NormalTextRun SpellingErrorV2Themed SCXW20856404 BCX0\">jusqu\u2019au<\/span><strong><span class=\"NormalTextRun SCXW20856404 BCX0\"> 17 <\/span><span class=\"NormalTextRun SpellingErrorV2Themed SCXW20856404 BCX0\">janvier<\/span><span class=\"NormalTextRun SCXW20856404 BCX0\"> 2025.<\/span><\/strong><\/span><strong><span class=\"EOP SCXW20856404 BCX0\" data-ccp-props=\"{&quot;134233117&quot;:false,&quot;134233118&quot;:false,&quot;335551550&quot;:0,&quot;335551620&quot;:0,&quot;335559738&quot;:240,&quot;335559739&quot;:240}\">\u00a0<\/span><\/strong><\/p>\n<\/div>\n\t  \t  \t\t  <\/div>\n<\/section>\n\n\n\n<section class=\"section section--text-columns no-background\">\n    <div class=\"grid-container\">\n      <div class=\"grid-x grid-padding-x\">\n        <div class=\"cell\">\n                  \t<h3>Apr\u00e8s le 17 janvier 2025:\u00a0<\/h3>\n                    <ul>\n<li data-leveltext=\"\uf0b7\" data-font=\"Symbol\" data-listid=\"4\" data-list-defn-props=\"{&quot;335552541&quot;:1,&quot;335559683&quot;:0,&quot;335559684&quot;:-2,&quot;335559685&quot;:720,&quot;335559991&quot;:360,&quot;469769226&quot;:&quot;Symbol&quot;,&quot;469769242&quot;:[8226],&quot;469777803&quot;:&quot;left&quot;,&quot;469777804&quot;:&quot;\uf0b7&quot;,&quot;469777815&quot;:&quot;hybridMultilevel&quot;}\" aria-setsize=\"-1\" data-aria-posinset=\"1\" data-aria-level=\"1\"><span data-contrast=\"none\">Les saisies d\u2019\u00e9cran devraient rester fid\u00e8les, mais au lieu de vous connecter \u00e0 votre compte ATIR dans AWS quand on vous le demande, vous devrez vous connecter \u00e0 un compte AWS personnel.<\/span><span data-ccp-props=\"{&quot;134233117&quot;:false,&quot;134233118&quot;:false,&quot;335551550&quot;:0,&quot;335551620&quot;:0,&quot;335559738&quot;:240,&quot;335559739&quot;:240}\">\u00a0<\/span><\/li>\n<li data-leveltext=\"\uf0b7\" data-font=\"Symbol\" data-listid=\"4\" data-list-defn-props=\"{&quot;335552541&quot;:1,&quot;335559683&quot;:0,&quot;335559684&quot;:-2,&quot;335559685&quot;:720,&quot;335559991&quot;:360,&quot;469769226&quot;:&quot;Symbol&quot;,&quot;469769242&quot;:[8226],&quot;469777803&quot;:&quot;left&quot;,&quot;469777804&quot;:&quot;\uf0b7&quot;,&quot;469777815&quot;:&quot;hybridMultilevel&quot;}\" aria-setsize=\"-1\" data-aria-posinset=\"1\" data-aria-level=\"1\"><span data-contrast=\"none\">Les liens vers les scripts CloudFormation d\u2019AWS permettant le d\u00e9ploiement automatique de l\u2019application type devraient rester les m\u00eames et \u00eatre fonctionnels.<\/span><\/li>\n<li data-leveltext=\"\uf0b7\" data-font=\"Symbol\" data-listid=\"4\" data-list-defn-props=\"{&quot;335552541&quot;:1,&quot;335559683&quot;:0,&quot;335559684&quot;:-2,&quot;335559685&quot;:720,&quot;335559991&quot;:360,&quot;469769226&quot;:&quot;Symbol&quot;,&quot;469769242&quot;:[8226],&quot;469777803&quot;:&quot;left&quot;,&quot;469777804&quot;:&quot;\uf0b7&quot;,&quot;469777815&quot;:&quot;hybridMultilevel&quot;}\" aria-setsize=\"-1\" data-aria-posinset=\"1\" data-aria-level=\"1\"><span data-contrast=\"none\">Les liens vers les d\u00e9p\u00f4ts GitHub permettant de t\u00e9l\u00e9charger le code source du Propulseur resteront valables puisque c\u2019est le cr\u00e9ateur du Propulseur (celui qui a \u00e9labor\u00e9 les applications de source ouverte servant d\u2019exemple) qui en est le propri\u00e9taire et en assure le maintien.<\/span><span data-ccp-props=\"{&quot;134233117&quot;:false,&quot;134233118&quot;:false,&quot;335551550&quot;:0,&quot;335551620&quot;:0,&quot;335559738&quot;:240,&quot;335559739&quot;:240}\">\u00a0<\/span><\/li>\n<\/ul>\n                  <\/div>\n      <\/div>\n    <\/div>\n  <\/section>\n\n\n\n<section class=\"section section--text-with-image  alignfull container squares-right\">\n  <svg version=\"1.1\" class=\"animated-square-graphic\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\" xmlns:xlink=\"http:\/\/www.w3.org\/1999\/xlink\" x=\"0px\" y=\"0px\"\n\t viewBox=\"0 0 1084.85 1080\" style=\"enable-background:new 0 0 1084.85 1080;\" xml:space=\"preserve\">\n<style type=\"text\/css\">\n\t.st0{opacity:0.51;fill:#FEFEFE;}\n\t.st1{fill:#F4F4F5;}\n\t.st2{fill:#58C3D2;}\n\t.st3{fill:#E90D0B;}\n\t.st4{fill:#393D3F;}\n<\/style>\n<g>\n\t<path class=\"st0\" d=\"M275.09,0c0,20.92,0.02,41.84-0.04,62.75c-0.01,1.9,0.82,4.06-1.04,5.66c-1.33-1.48-1.49-3.32-1.5-5.17\n\t\tc-0.07-19.54-0.1-39.07,0.02-58.61c0.01-1,0.15-2,0.5-2.95c0.27-0.62,0.62-1.18,1.06-1.68C274.42,0,274.76,0,275.09,0z\"\/>\n\t<path class=\"st0\" d=\"M270.93,134.87c0,0.67,0,1.34,0,2.01c-1.96-0.21-3.39-1.13-2.71-3.24c0.6-1.87,2.15-2.92,4.31-2.71\n\t\tc21.9,2.09,43.85,0.35,65.77,0.92c-0.01,0.67-0.01,1.34-0.02,2.01c-1.73,0.94-3.6,0.46-5.4,0.47c-19.36,0.04-38.73,0.02-58.09,0.04\n\t\tC273.5,134.36,272.11,133.88,270.93,134.87z\"\/>\n\t<path class=\"st0\" d=\"M67.6,132.85c-0.22,2.23,0.79,3.24,3.02,3.02c-0.21,1.56-0.6,3.05-2.65,2.59c-1.53-0.34-2.62-1.44-2.96-2.96\n\t\tC64.55,133.46,66.04,133.06,67.6,132.85z\"\/>\n\t<path class=\"st0\" d=\"M270.93,134.87c0.15-0.9,0.44-1.31,1.6-1.31c21.92,0.15,43.84,0.21,65.76,0.29c-1.46,1.71-3.44,0.97-5.18,0.97\n\t\tC312.38,134.88,291.66,134.87,270.93,134.87z\"\/>\n\t<rect x=\"71.76\" y=\"67.43\" class=\"st1\" width=\"67.44\" height=\"67.44\"\/>\n\t<rect x=\"206.62\" class=\"st2\" width=\"67.44\" height=\"67.44\"\/>\n\t<rect x=\"410.45\" class=\"st2\" width=\"67.44\" height=\"67.44\"\/>\n\t<rect x=\"343.11\" y=\"67.73\" class=\"st2\" width=\"67.44\" height=\"67.44\"\/>\n\t<rect x=\"544.46\" y=\"0.06\" class=\"st1\" width=\"67.44\" height=\"67.44\"\/>\n\t<rect x=\"680.21\" class=\"st1\" width=\"67.44\" height=\"67.44\"\/>\n\t<rect x=\"815.09\" class=\"st1\" width=\"67.44\" height=\"67.44\"\/>\n\t<rect x=\"949.97\" class=\"st2\" width=\"67.44\" height=\"67.44\"\/>\n\t<rect x=\"477.89\" y=\"67.73\" class=\"st3\" width=\"67.44\" height=\"67.44\"\/>\n\t<rect x=\"612.77\" y=\"67.73\" class=\"st2\" width=\"67.44\" height=\"67.44\"\/>\n\t<rect x=\"747.65\" y=\"67.73\" class=\"st4\" width=\"67.44\" height=\"67.44\"\/>\n\t<rect x=\"882.53\" y=\"67.83\" class=\"st1\" width=\"67.44\" height=\"67.44\"\/>\n\t<rect x=\"1017.41\" y=\"67.73\" class=\"st2\" width=\"67.44\" height=\"67.44\"\/>\n\t<rect x=\"1017.41\" y=\"203.13\" class=\"st2\" width=\"67.44\" height=\"67.44\"\/>\n\t<rect x=\"275.67\" y=\"135.45\" class=\"st1\" width=\"67.44\" height=\"67.44\"\/>\n\t<rect x=\"208.23\" y=\"202.81\" class=\"st3\" width=\"67.44\" height=\"67.44\"\/>\n\t<rect x=\"1.8\" y=\"202.81\" class=\"st1\" width=\"67.44\" height=\"67.44\"\/>\n\t<rect x=\"69.24\" y=\"270.83\" class=\"st2\" width=\"67.44\" height=\"67.44\"\/>\n\t<rect x=\"410.55\" y=\"270.57\" class=\"st1\" width=\"67.44\" height=\"67.44\"\/>\n\t<rect x=\"545.43\" y=\"270.57\" class=\"st1\" width=\"67.44\" height=\"67.44\"\/>\n\t<rect x=\"680.44\" y=\"270.57\" class=\"st2\" width=\"67.44\" height=\"67.44\"\/>\n\t<rect x=\"815.3\" y=\"270.57\" class=\"st1\" width=\"67.44\" height=\"67.44\"\/>\n\t<rect x=\"950.11\" y=\"270.57\" class=\"st2\" width=\"67.44\" height=\"67.44\"\/>\n\t<rect x=\"1017.41\" y=\"270.57\" class=\"st4\" width=\"67.44\" height=\"67.44\"\/>\n\t<rect x=\"1017.41\" y=\"338.01\" class=\"st2\" width=\"67.44\" height=\"67.44\"\/>\n\t<rect x=\"882.5\" y=\"338.16\" class=\"st2\" width=\"67.44\" height=\"67.44\"\/>\n\t<rect x=\"747.86\" y=\"338.16\" class=\"st1\" width=\"67.44\" height=\"67.44\"\/>\n\t<rect x=\"612.87\" y=\"338.16\" class=\"st2\" width=\"67.44\" height=\"67.44\"\/>\n\t<rect x=\"271.44\" y=\"338.01\" class=\"st1\" width=\"67.44\" height=\"67.44\"\/>\n\t<rect x=\"136.7\" y=\"405.75\" class=\"st3\" width=\"67.44\" height=\"67.44\"\/>\n\t<rect x=\"407.3\" y=\"405.6\" class=\"st3\" width=\"67.44\" height=\"67.44\"\/>\n\t<rect x=\"815.06\" y=\"405.6\" class=\"st2\" width=\"67.44\" height=\"67.44\"\/>\n\t<rect x=\"950.11\" y=\"405.6\" class=\"st1\" width=\"67.44\" height=\"67.44\"\/>\n\t<rect x=\"1017.41\" y=\"473.04\" class=\"st1\" width=\"67.44\" height=\"67.44\"\/>\n\t<rect x=\"882.5\" y=\"473.04\" class=\"st1\" width=\"67.44\" height=\"67.44\"\/>\n\t<rect x=\"747.62\" y=\"473.04\" class=\"st1\" width=\"67.44\" height=\"67.44\"\/>\n\t<rect x=\"611.17\" y=\"473.04\" class=\"st4\" width=\"67.44\" height=\"67.44\"\/>\n\t<rect y=\"475.55\" class=\"st1\" width=\"67.44\" height=\"67.44\"\/>\n\t<rect x=\"410.55\" y=\"135.45\" class=\"st4\" width=\"67.44\" height=\"67.44\"\/>\n\t<rect x=\"680.42\" y=\"135.17\" class=\"st1\" width=\"67.44\" height=\"67.44\"\/>\n\t<rect x=\"815.23\" y=\"135.36\" class=\"st1\" width=\"67.44\" height=\"67.44\"\/>\n\t<rect x=\"950.12\" y=\"135.36\" class=\"st4\" width=\"67.44\" height=\"67.44\"\/>\n\t<rect x=\"343.11\" y=\"202.81\" class=\"st3\" width=\"67.44\" height=\"67.44\"\/>\n\t<rect x=\"477.99\" y=\"202.81\" class=\"st2\" width=\"67.44\" height=\"67.44\"\/>\n\t<rect x=\"613\" y=\"202.81\" class=\"st4\" width=\"67.44\" height=\"67.44\"\/>\n\t<rect x=\"747.86\" y=\"202.74\" class=\"st2\" width=\"67.44\" height=\"67.44\"\/>\n\t<rect x=\"882.67\" y=\"202.8\" class=\"st2\" width=\"67.44\" height=\"67.44\"\/>\n\t<rect x=\"950.08\" y=\"540.48\" class=\"st2\" width=\"67.44\" height=\"67.44\"\/>\n\t<rect x=\"815.06\" y=\"540.48\" class=\"st2\" width=\"67.44\" height=\"67.44\"\/>\n\t<rect x=\"1017.41\" y=\"607.92\" class=\"st2\" width=\"67.44\" height=\"67.44\"\/>\n\t<rect x=\"882.44\" y=\"607.92\" class=\"st4\" width=\"67.44\" height=\"67.44\"\/>\n\t<rect x=\"747.62\" y=\"607.92\" class=\"st4\" width=\"67.44\" height=\"67.44\"\/>\n\t<rect x=\"950.06\" y=\"675.36\" class=\"st1\" width=\"67.44\" height=\"67.44\"\/>\n\t<rect x=\"815\" y=\"675.36\" class=\"st2\" width=\"67.44\" height=\"67.44\"\/>\n\t<rect x=\"680.18\" y=\"675.36\" class=\"st2\" width=\"67.44\" height=\"67.44\"\/>\n\t<rect x=\"882.7\" y=\"742.8\" class=\"st1\" width=\"67.44\" height=\"67.44\"\/>\n\t<rect x=\"1017.41\" y=\"742.8\" class=\"st2\" width=\"67.44\" height=\"67.44\"\/>\n\t<rect x=\"1017.41\" y=\"810.24\" class=\"st1\" width=\"67.44\" height=\"67.44\"\/>\n\t<rect x=\"950.06\" y=\"810.24\" class=\"st2\" width=\"67.44\" height=\"67.44\"\/>\n\t<rect x=\"950.06\" y=\"877.68\" class=\"st3\" width=\"67.44\" height=\"67.44\"\/>\n\t<rect x=\"882.62\" y=\"877.68\" class=\"st2\" width=\"67.44\" height=\"67.44\"\/>\n\t<rect x=\"747.66\" y=\"877.68\" class=\"st3\" width=\"67.44\" height=\"67.44\"\/>\n\t<rect x=\"680.22\" y=\"877.68\" class=\"st1\" width=\"67.44\" height=\"67.44\"\/>\n\t<rect x=\"815.06\" y=\"945.12\" class=\"st4\" width=\"67.44\" height=\"67.44\"\/>\n\t<rect x=\"747.66\" y=\"945.12\" class=\"st2\" width=\"67.44\" height=\"67.44\"\/>\n\t<rect x=\"1017.5\" y=\"945.12\" class=\"st4\" width=\"67.44\" height=\"67.44\"\/>\n\t<rect x=\"950.06\" y=\"945.12\" class=\"st2\" width=\"67.44\" height=\"67.44\"\/>\n\t<rect x=\"882.5\" y=\"1012.56\" class=\"st4\" width=\"67.44\" height=\"67.44\"\/>\n\t<rect x=\"1017.5\" y=\"1012.56\" class=\"st2\" width=\"67.44\" height=\"67.44\"\/>\n\t<rect x=\"545.3\" y=\"1012.56\" class=\"st4\" width=\"67.44\" height=\"67.44\"\/>\n\t<rect x=\"407.54\" y=\"1012.56\" class=\"st2\" width=\"67.44\" height=\"67.44\"\/>\n\t<rect x=\"815.06\" y=\"1012.56\" class=\"st2\" width=\"67.44\" height=\"67.44\"\/>\n\t<rect x=\"747.66\" y=\"1012.56\" class=\"st3\" width=\"67.44\" height=\"67.44\"\/>\n\t<rect x=\"680.18\" y=\"1012.56\" class=\"st2\" width=\"67.44\" height=\"67.44\"\/>\n\t<rect x=\"747.62\" y=\"742.8\" class=\"st2\" width=\"67.44\" height=\"67.44\"\/>\n\t<rect x=\"612.74\" y=\"742.8\" class=\"st4\" width=\"67.44\" height=\"67.44\"\/>\n\t<rect x=\"545.3\" y=\"877.68\" class=\"st2\" width=\"67.44\" height=\"67.44\"\/>\n\t<rect x=\"612.74\" y=\"945.12\" class=\"st4\" width=\"67.44\" height=\"67.44\"\/>\n<\/g>\n<\/svg>\n  <div class=\"grid-container simple-fade\">\n    <div class=\"grid-x grid-padding-x align-middle\">\n      <div class=\"cell medium-6 \">\n\t\t  \t\t\t  <img decoding=\"async\" src=\"https:\/\/www.canarie.ca\/wp-content\/uploads\/2021\/02\/BAIR_BP_Builders_bluwave.png\" alt=\"\">\n\t\t        <\/div>\n      <div class=\"cell medium-6  text-left text-cell \">\n  \t\t  \t\t          <h1 class=\"cssanimation leFadeIn\">Plan de vol : pr\u00e9vision de s\u00e9ries chronologiques par apprentissage automatique<\/h1>\n  \t\t  \t\t                                \t        \t          \t    <a class=\"button fade-in-delay\" href=\"https:\/\/www.bluwave-ai.com\/\" target=\"_blank\">Ce Propulseur a \u00e9t\u00e9 cr\u00e9\u00e9 et la documentation r\u00e9dig\u00e9e par BluWave-ai<\/a>\n        \t          \t              <\/div>\n    <\/div>\n  <\/div>\n<\/section>\n\n\n\n\n\n<section class=\"section section--banner simple-fade light-blue alignfull\">\n  <div class=\"grid-container text-center\">\n  \t\t  \t\t  \t  <div class=\"large\"><p>Les Propulseurs de l\u2019ATIR sont des jeux structur\u00e9s de ressources en nuage, documentation incluse, illustrant une technologie \u00e9mergente. Offerts gratuitement, ils ont \u00e9t\u00e9 con\u00e7us par des entreprises canadiennes d\u2019exp\u00e9rience qui ont \u00e9labor\u00e9 des produits ou des services au moyen de la technologie en question et ont accept\u00e9 de partager leur savoir.<\/p>\n<\/div>\n\t  \t  \t\t  <\/div>\n<\/section>\n\n\n\n<section class=\"section section--text-columns no-background\">\n    <div class=\"grid-container\">\n      <div class=\"grid-x grid-padding-x\">\n        <div class=\"cell\">\n                  \t<h3>Aper\u00e7u<\/h3>\n                    <p>La Solution type est destin\u00e9e aux entreprises qui exploitent des donn\u00e9es et souhaitent mieux pr\u00e9voir leurs s\u00e9ries chronologiques. Elle illustre comment recourir \u00e0 l\u2019apprentissage automatique pour obtenir des variables explicatives d\u2019une grande exactitude. Contrairement aux techniques classiques, qui reposent sur l\u2019inf\u00e9rence statistique, la Solution type d\u00e9bouche sur des mod\u00e8les qui s\u2019affinent constamment gr\u00e2ce \u00e0 un volume important de donn\u00e9es s\u00e9quentielles et \u00e0 une solide robustesse \u00e0 la saisie.<\/p>\n<p>Lire\u00a0<a href=\"https:\/\/www.canarie.ca\/fr\/nuage\/propulseurs\/catalogue\/prevision-de-series-chronologiques-par-apprentissage-automatique\/solution-type-prevision-de-series-chronologiques-par-apprentissage-automatique\" target=\"_blank\" rel=\"noopener noreferrer\">Solution type\u00a0: Pr\u00e9vision de s\u00e9ries chronologiques par apprentissage automatique<\/a>\u00a0pour en savoir plus sur le fonctionnement de la solution.<\/p>\n<p>La Solution type met en relief deux technologies\u00a0: l\u2019apprentissage automatique et les pr\u00e9visions par s\u00e9rie de donn\u00e9es chronologiques. Ce Propulseur illustre comment se servir de l\u2019apprentissage automatique pour r\u00e9soudre les probl\u00e8mes reposant sur la pr\u00e9vision de s\u00e9ries chronologiques.<\/p>\n                  <\/div>\n      <\/div>\n    <\/div>\n  <\/section>\n\n\n<section class=\"section section--text-columns no-background\">\n    <div class=\"grid-container\">\n      <div class=\"grid-x grid-padding-x\">\n        <div class=\"cell\">\n                  \t<h3>Plan de vol : apprentissage automatique<\/h3>\n                    <p>Par \u00ab\u00a0apprentissage automatique\u00a0\u00bb ou apprentissage machine, on entend la partie de l\u2019informatique qui met au point des algorithmes employ\u00e9s avec un ordinateur (la machine) qui n\u2019a pas \u00e9t\u00e9 sp\u00e9cifiquement programm\u00e9, mais plut\u00f4t observe (apprend) les liens existant entre les donn\u00e9es de mani\u00e8re \u00e0 b\u00e2tir un mod\u00e8le qui prendra des d\u00e9cisions ou formulera des pr\u00e9visions en cons\u00e9quence. Nous nous concentrerons sur l\u2019apprentissage surveill\u00e9, en vertu duquel l\u2019algorithme traite un jeu de donn\u00e9es entrantes et sortantes. Durant l\u2019apprentissage, on fournit les donn\u00e9es au mod\u00e8le et l\u2019algorithme qui y est int\u00e9gr\u00e9 le renforce. L\u2019objectif est d\u2019obtenir un mod\u00e8le qui restituera des valeurs raisonnables \u00e0 partir des donn\u00e9es qu\u2019on lui procure, donc formulera des pr\u00e9visions utiles.<\/p>\n<p>Nous avons retenu les r\u00e9seaux de neurones artificiels (RNA) pour la solution type en raison des r\u00e9sultats remarquables qu\u2019on en retire avec l\u2019apprentissage automatique et de la popularit\u00e9 que cela leur a valu. La solution utilise un r\u00e9seau neuronal \u00e0 r\u00e9tropropagation non r\u00e9current pour l\u2019apprentissage automatique. Lire le\u00a0<a href=\"http:\/\/neuralnetworksanddeeplearning.com\/chap1.html\" target=\"_blank\" rel=\"noopener noreferrer\">premier chapitre<\/a>\u00a0de\u00a0<em>Neural Networks and Deep Learning<\/em>\u00a0pour une explication compl\u00e8te du fonctionnement des RNA et le\u00a0<a href=\"http:\/\/neuralnetworksanddeeplearning.com\/chap2.html\" target=\"_blank\" rel=\"noopener noreferrer\">deuxi\u00e8me<\/a>\u00a0pour comprendre les math\u00e9matiques de la r\u00e9tropropagation. Pour se faire une id\u00e9e du comportement des r\u00e9seaux neuronaux, les auteurs sugg\u00e8rent d\u2019explorer le\u00a0<a href=\"https:\/\/playground.tensorflow.org\/\" target=\"_blank\" rel=\"noopener noreferrer\">terrain de jeu TensorFlow<\/a>.<\/p>\n                  <\/div>\n      <\/div>\n    <\/div>\n  <\/section>\n\n\n<section class=\"section section--text-columns no-background\">\n    <div class=\"grid-container\">\n      <div class=\"grid-x grid-padding-x\">\n        <div class=\"cell\">\n                  \t<h3>Ressources<\/h3>\n                    <p>Les parties qui suivent proposent un \u00e9ventail de ressources sur l\u2019apprentissage automatique.<\/p>\n<p>Le\u00a0<a href=\"https:\/\/code.cloud.canarie.ca:3000\/bluwave-ai\/time-series-prediction\" target=\"_blank\" rel=\"noopener noreferrer\">code source de la Solution type<\/a>\u00a0fourmille d\u2019enseignements. Pour les exemples energy-prediction ou weather-prediction, veuillez prendre connaissance du contenu des r\u00e9pertoires\u00a0<code>\/notebooks<\/code>,\u00a0<code>\/src\/data<\/code>,\u00a0<code>\/src\/features<\/code>, and\u00a0<code>\/src\/models<\/code>\u00a0folders.<\/p>\n                  <\/div>\n      <\/div>\n    <\/div>\n  <\/section>\n\n\n<section class=\"section section--text-columns no-background\">\n    <div class=\"grid-container\">\n      <div class=\"grid-x grid-padding-x\">\n        <div class=\"cell\">\n                  \t<h3>Tutoriels<\/h3>\n                    <p>Le tableau qui suit dresse une liste partielle des didacticiels que l\u2019auteur juge parmi les plus utiles.<\/p>\n<p>&nbsp;<\/p>\n<table border=\"1\">\n<tbody>\n<tr>\n<td><strong>Tutoriel<\/strong><\/td>\n<td><strong>R\u00e9sum\u00e9<\/strong><\/td>\n<\/tr>\n<tr>\n<td><a href=\"https:\/\/machinelearningmastery.com\/\" target=\"_blank\" rel=\"noopener noreferrer\"><span lang=\"en-CA\">Machine Learning Mastery<\/span><\/a><\/td>\n<td>Site Web proposant une foule de tutoriels tr\u00e8s sp\u00e9cifiques mais simples sur la mani\u00e8re de d\u00e9velopper un mod\u00e8le par apprentissage automatique<\/td>\n<\/tr>\n<tr>\n<td><a href=\"https:\/\/machinelearningmastery.com\/5-step-life-cycle-neural-network-models-keras\/\" target=\"_blank\" rel=\"noopener noreferrer\"><span lang=\"en-CA\">5 Step Life Cycle of Neural Network Models in Keras<\/span><\/a><\/td>\n<td>Guide pratique sur la construction d\u2019un r\u00e9seau neuronal dans Keras, une \u00e9tape \u00e0 la fois, avec description succincte de l\u2019utilit\u00e9 de chaque \u00e9tape<\/td>\n<\/tr>\n<tr>\n<td><a href=\"https:\/\/www.datacamp.com\/community\/tutorials\/tensorflow-tutorial\" target=\"_blank\" rel=\"noopener noreferrer\"><span lang=\"en-CA\">TensorFlow Tutorial for Beginners<\/span><\/a><\/td>\n<td>Introduction simplifi\u00e9e \u00e0 TensorFlow \u00e0 partir d\u2019un exemple reposant sur le traitement d\u2019images (s\u00e9rie non chronologique)<\/td>\n<\/tr>\n<tr>\n<td><span lang=\"en-CA\">Billets choisis\u00a0:\u00a0<a href=\"https:\/\/blog.datadive.net\/selecting-good-features-part-i-univariate-selection\/\" target=\"_blank\" rel=\"noopener noreferrer\">Part I<\/a>,\u00a0<a href=\"https:\/\/blog.datadive.net\/selecting-good-features-part-ii-linear-models-and-regularization\/\" target=\"_blank\" rel=\"noopener noreferrer\">Part II<\/a>,\u00a0<a href=\"https:\/\/blog.datadive.net\/selecting-good-features-part-iii-random-forests\/\" target=\"_blank\" rel=\"noopener noreferrer\">Part III<\/a>,\u00a0<a href=\"https:\/\/blog.datadive.net\/selecting-good-features-part-iv-stability-selection-rfe-and-everything-side-by-side\/\" target=\"_blank\" rel=\"noopener noreferrer\">Part IV<\/a><\/span><\/td>\n<td>Exemples illustrant les m\u00e9thodes d\u2019analyse unidimensionnelle, la r\u00e9gularisation, les for\u00eats d\u2019arbres d\u00e9cisionnels et les m\u00e9thodes d\u2019enveloppement pour la s\u00e9lection des propri\u00e9t\u00e9s<\/td>\n<\/tr>\n<tr>\n<td><a href=\"https:\/\/www.analyticsvidhya.com\/blog\/2018\/04\/fundamentals-deep-learning-regularization-techniques\/\" target=\"_blank\" rel=\"noopener noreferrer\"><span lang=\"en-CA\">An Overview of Regularization Techniques in Deep Learning<\/span><\/a><\/td>\n<td>Tutoriel de base expliquant pourquoi, quand et comment recourir \u00e0 la r\u00e9gularisation avec un code Python de la biblioth\u00e8que Keras comme illustration<\/td>\n<\/tr>\n<tr>\n<td><a href=\"https:\/\/medium.com\/@jonathan_hui\/debug-a-deep-learning-network-part-5-1123c20f960d\" target=\"_blank\" rel=\"noopener noreferrer\"><span lang=\"en-CA\">Debug a Deep Learning Network<\/span><\/a><\/td>\n<td>Excellents conseils sur la fa\u00e7on de d\u00e9boguer m\u00e9thodiquement un r\u00e9seau neuronal<\/td>\n<\/tr>\n<tr>\n<td><a href=\"http:\/\/theorangeduck.com\/page\/neural-network-not-working?imm_mid=0f6562&amp;cmp=em-data-na-na-newsltr_20170920\" target=\"_blank\" rel=\"noopener noreferrer\"><span lang=\"en-CA\">My Neural Network Isn\u2019t Working! What Should I Do?<\/span><\/a><\/td>\n<td>Autres bons conseils sur le d\u00e9bogage mettant en relief des aspects que vous pourriez avoir n\u00e9glig\u00e9s ou oubli\u00e9s<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n                  <\/div>\n      <\/div>\n    <\/div>\n  <\/section>\n\n\n<section class=\"section section--text-columns no-background\">\n    <div class=\"grid-container\">\n      <div class=\"grid-x grid-padding-x\">\n        <div class=\"cell\">\n                  \t<h3>Documentation<\/h3>\n                    <p>Le tableau ci-dessous propose de la documentation sur les pr\u00e9visions chronologiques par apprentissage automatique<em>.<\/em><\/p>\n<p>&nbsp;<\/p>\n<table border=\"1\">\n<tbody>\n<tr>\n<td><strong>Document<\/strong><\/td>\n<td><strong>R\u00e9sum\u00e9<\/strong><\/td>\n<\/tr>\n<tr>\n<td><span lang=\"en-CA\"><a href=\"http:\/\/metalab.uniten.edu.my\/~abdrahim\/mitm613\/Jain1996_ANN%20-%20A%20Tutorial.pdf\" target=\"_blank\" rel=\"noopener noreferrer\">Artificial Neural Networks: A Tutorial<\/a><\/span><span lang=\"en-CA\"><br \/>\n<\/span><\/td>\n<td>Introduction aux RNA<\/td>\n<\/tr>\n<tr>\n<td><span lang=\"en-CA\"><a href=\"http:\/\/neuralnetworksanddeeplearning.com\/\" target=\"_blank\" rel=\"noopener noreferrer\">Neural Networks and Deep Learning<\/a><\/span><\/td>\n<td>Ouvrage en ligne gratuit sur la th\u00e9orie de l\u2019apprentissage automatique<\/td>\n<\/tr>\n<tr>\n<td><span lang=\"en-CA\"><a href=\"http:\/\/www.dkriesel.com\/_media\/science\/neuronalenetze-en-zeta2-1col-dkrieselcom.pdf\" target=\"_blank\" rel=\"noopener noreferrer\">A Brief Introduction to Neural Networks<\/a><\/span><\/td>\n<td>Ouvrage en ligne gratuit sur les fondements des r\u00e9seaux neuronaux. L\u2019annexe\u00a0B parle de l\u2019usage des r\u00e9seaux neuronaux pour pr\u00e9voir des s\u00e9ries chronologiques.<\/td>\n<\/tr>\n<tr>\n<td><span lang=\"en-CA\"><a href=\"http:\/\/syllabus.cs.manchester.ac.uk\/pgt\/2018\/COMP61011\/goodProjects\/Shardlow.pdf\" target=\"_blank\" rel=\"noopener noreferrer\">An Analysis of Feature Selection Techniques<\/a><\/span><\/td>\n<td>Panorama des diff\u00e9rents algorithmes de s\u00e9lection des fonctionnalit\u00e9s, de leurs avantages et de leurs inconv\u00e9nients<\/td>\n<\/tr>\n<tr>\n<td><span lang=\"en-CA\"><a href=\"http:\/\/colah.github.io\/posts\/2015-08-Understanding-LSTMs\/\" target=\"_blank\" rel=\"noopener noreferrer\">Understanding LSTM Networks<\/a><\/span><\/td>\n<td>Billet permettant de mieux saisir les r\u00e9seaux de neurones r\u00e9currents (RNR), les r\u00e9seaux\u00a0<em>Long Short Term Memory<\/em>\u00a0(LSTM) et leurs variantes<\/td>\n<\/tr>\n<tr>\n<td><span lang=\"en-CA\"><a href=\"http:\/\/karpathy.github.io\/2015\/05\/21\/rnn-effectiveness\/\" target=\"_blank\" rel=\"noopener noreferrer\">The Unreasonable Effectiveness of Recurrent Neural Networks<\/a><\/span><\/td>\n<td>Explication des RNR, de leur fonctionnement, de leur utilit\u00e9 et de leur \u00e9volution future avec illustrations<\/td>\n<\/tr>\n<tr>\n<td><span lang=\"en-CA\"><a href=\"https:\/\/www.deeplearning.ai\/machine-learning-yearning\/\" target=\"_blank\" rel=\"noopener noreferrer\">Machine Learning Yearning<\/a><\/span><\/td>\n<td><span lang=\"en-CA\">Conseils pratiques sur la mise en \u0153uvre et le d\u00e9bogage de projets d\u2019apprentissage automatique.<\/span><\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n                  <\/div>\n      <\/div>\n    <\/div>\n  <\/section>\n\n\n<section class=\"section section--text-columns no-background\">\n    <div class=\"grid-container\">\n      <div class=\"grid-x grid-padding-x\">\n        <div class=\"cell\">\n                  \t<h3>Soutien<\/h3>\n                    <p>Aucun soutien suppl\u00e9mentaire pour la solution type.<\/p>\n                  <\/div>\n      <\/div>\n    <\/div>\n  <\/section>\n\n\n<section class=\"section section--text-columns no-background\">\n    <div class=\"grid-container\">\n      <div class=\"grid-x grid-padding-x\">\n        <div class=\"cell\">\n                  \t<h3>Pratiques exemplaires<\/h3>\n                    <ul class=\"arrow-list\">\n<li><em>Structure uniforme.\u00a0<\/em>Quand vous organiserez le projet, nous vous recommandons de respecter la structure propos\u00e9e dans\u00a0<a href=\"https:\/\/drivendata.github.io\/cookiecutter-data-science\/\" target=\"_blank\" rel=\"noopener noreferrer\">Cookiecutter Data Science<\/a>. En effet, une structure uniforme permettra \u00e0 d\u2019autres de mieux saisir le code et son analyse, tout en vous permettant d\u2019y revenir ais\u00e9ment des mois et des ann\u00e9es plus tard. Puisque vous n\u2019\u00eates tenu \u00e0 rien, vous gardez toute la latitude voulue. La Solution type illustre une telle structure, \u00e0 l\u2019instar ce\u00a0<a href=\"https:\/\/github.com\/hackalog\/bus_number\/blob\/master\/TUTORIAL.md\" target=\"_blank\" rel=\"noopener noreferrer\">tutoriel\/exemple<\/a>. Nous pr\u00e9conisons la structure Cookiecutter pour tous vos projets recourant \u00e0 des donn\u00e9es scientifiques.<\/li>\n<li><em>Environnement virtuel.\u00a0<\/em>Un aspect crucial d\u2019un projet scientifique consiste \u00e0 faire en sorte que l\u2019on puisse reproduire le travail. Un environnement virtuel vous facilitera la t\u00e2che en vous offrant un environnement vierge chaque fois que d\u00e9marre un nouveau projet et en saisissant toutes les biblioth\u00e8ques et toutes les versions install\u00e9es en cours de route. L\u2019environnement est conserv\u00e9 \u00e0 l\u2019\u00e9cart du reste du syst\u00e8me et peut donc \u00eatre export\u00e9 sur d\u2019autres machines pour y \u00eatre recr\u00e9\u00e9. Anaconda\/Miniconda et virtualenv autorisent la cr\u00e9ation d\u2019environnements virtuels. Nous pr\u00e9conisons la cr\u00e9ation d\u2019un environnement virtuel au d\u00e9but de chaque projet.<\/li>\n<\/ul>\n                  <\/div>\n      <\/div>\n    <\/div>\n  <\/section>\n\n\n<section class=\"section section--text-columns no-background\">\n    <div class=\"grid-container\">\n      <div class=\"grid-x grid-padding-x\">\n        <div class=\"cell\">\n                  \t<h3>Trucs et hics<\/h3>\n                    <ul class=\"arrow-list\">\n<li><em>Truc.\u00a0<\/em>L\u2019apprentissage automatique avec des s\u00e9ries de donn\u00e9es chronologiques diff\u00e8re de l\u2019apprentissage automatique avec des donn\u00e9es non s\u00e9quentielles. Assurez-vous que les techniques d\u2019apprentissage auxquelles vous vous int\u00e9ressez conviennent \u00e0 la mod\u00e9lisation des s\u00e9ries chronologiques. Voici quelques pi\u00e8ges \u00e0 \u00e9viter.\n<ul class=\"arrow-list\">\n<li>Suppression d\u2019entr\u00e9es lors du traitement pr\u00e9alable. Quand les donn\u00e9es ne sont pas s\u00e9quentielles, il est possible de supprimer les valeurs aberrantes ou celles pour lesquelles la valeur manque. On ne peut en faire autant avec les donn\u00e9es chronologiques, qui sont saisies \u00e0 intervalles r\u00e9guliers. Aucune donn\u00e9e ne peut \u00eatre \u00e9cart\u00e9e.<\/li>\n<li>M\u00e9fiez-vous du r\u00e9arrangement des donn\u00e9es pendant la formation du mod\u00e8le. Certaines biblioth\u00e8ques pourraient restructurer les donn\u00e9es au hasard, ce qui d\u00e9truira la succession des donn\u00e9es chronologiques. Par exemple, la fonction d\u2019ajustement par d\u00e9faut fit() dans Keras r\u00e9arrange les donn\u00e9es entre chaque \u00e9poque. Assurez-vous de la d\u00e9sactiver.<\/li>\n<li>Quand vous s\u00e9parez les donn\u00e9es pour obtenir les jeux qui serviront \u00e0 la formation du mod\u00e8le, \u00e0 la validation et aux essais, assurez-vous d\u2019en pr\u00e9server la nature s\u00e9quentielle, sans quoi l\u2019avenir teintera le pass\u00e9. Les donn\u00e9es servant \u00e0 la validation doivent chronologiquement suivre celles employ\u00e9es pour entra\u00eener le mod\u00e8le et celles servant aux essais doivent chronologiquement suivre celles utilis\u00e9es pour la validation (elles seront donc toujours les plus r\u00e9centes). Ceci signifie \u00e9galement qu\u2019on ne peut recourir aux m\u00e9thodes habituelles de validation crois\u00e9e, car elles ne respectent pas l\u2019aspect s\u00e9quentiel des donn\u00e9es. Envisagez plut\u00f4t les m\u00e9thodes de\u00a0<a href=\"https:\/\/towardsdatascience.com\/time-series-nested-cross-validation-76adba623eb9\" target=\"_blank\" rel=\"noopener noreferrer\">validation crois\u00e9e embo\u00eet\u00e9es<\/a>.<\/li>\n<\/ul>\n<\/li>\n<li><em>Truc.<\/em>\u00a0M\u00e9thode empirique pour les hyper-param\u00e8tres du mod\u00e8le. Certains hyper-param\u00e8tres se rapportent \u00e0 l\u2019architecture du mod\u00e8le. C\u2019est notamment le cas des couches cach\u00e9es, du nombre de n\u0153uds qu\u2019elles renferment et des fonctions d\u2019activation de chaque couche. D\u2019autres hyper-param\u00e8tres affectent l\u2019apprentissage, notamment l\u2019optimiseur, le rythme d\u2019apprentissage, les facteurs de pond\u00e9ration de la r\u00e9gularisation, la fr\u00e9quence des informations perdues, la fonction de d\u00e9cision, les mesures de rendement et le nombre d\u2019\u00e9poques \u00e0 former. Voici quelques r\u00e8gles empiriques \u00e0 prendre en compte.\n<ul class=\"arrow-list\">\n<li><strong>Nombre de couches cach\u00e9es\u00a0:<\/strong>\u00a0habituellement, une suffit.<\/li>\n<li><strong>Nombre de n\u0153uds cach\u00e9s\u00a0:<\/strong>\u00a0il sera proportionnel \u00e0 la complexit\u00e9 apparente du syst\u00e8me qu\u2019on mod\u00e9lise. Pour commencer, calculer environ 1\/10<sup>e<\/sup>\u00a0des donn\u00e9es saisies.<\/li>\n<li><strong>Fonction d\u2019activation\u00a0:<\/strong>\u00a0nous pr\u00e9conisons ReLu, qui est la norme, car elle permet d\u2019\u00e9viter le probl\u00e8me de disparition du gradient observ\u00e9 avec les fonctions sigmo\u00efde et tanh.<\/li>\n<li><strong>Optimiseur\u00a0:<\/strong>\u00a0nous recommandons Adam, qui a donn\u00e9 de bons r\u00e9sultats.<\/li>\n<li><strong>Rythme d\u2019apprentissage\u00a0:<\/strong>\u00a0cet hyper-param\u00e8tre est celui qui modifiera le plus la performance du mod\u00e8le. Le rythme d\u2019apprentissage usuel pour l\u2019optimiseur Adam est 0,001, mais testez le mod\u00e8le aux puissances voisines de 10.<\/li>\n<li><strong>Facteur de pond\u00e9ration de la r\u00e9gularisation\u00a0:<\/strong>\u00a0commencez avec 0,01 et testez les puissances voisines de 10, selon l\u2019importance du surajustement.<\/li>\n<li><strong>Fr\u00e9quence des informations perdues\u00a0:<\/strong>\u00a0faites des essais entre 0 et 30\u00a0%, selon l\u2019importance du surapprentissage.<\/li>\n<li><strong>Fonction de d\u00e9cision\u00a0:<\/strong>\u00a0l\u2019\u00e9cart quadratique moyen et l\u2019erreur moyenne sont la norme dans les probl\u00e8mes de r\u00e9gression.<\/li>\n<li><strong>Mesure du rendement\u00a0:<\/strong>\u00a0l\u2019\u00e9cart quadratique moyen et l\u2019erreur moyenne sont de bons instruments pour les analyses de r\u00e9gression reposant sur des s\u00e9ries chronologiques. On peut donc les retenir, comme pour la fonction de d\u00e9cision.<\/li>\n<li><strong>Nombre d\u2019\u00e9poques\u00a0:<\/strong>\u00a0observez les courbes d\u2019apprentissage pour voir combien d\u2019\u00e9poques sont n\u00e9cessaires avant d\u2019atteindre un plateau. Pour l\u2019apprentissage autrement que par lots, comme c\u2019est le cas dans la solution de r\u00e9f\u00e9rence, le nombre d\u2019\u00e9poques varie entre 1\u00a0000 et 10\u00a0000.<\/li>\n<\/ul>\n<\/li>\n<li><em>Truc.<\/em>L\u2019apprentissage profond b\u00e9n\u00e9ficiera presque toujours de l\u2019utilisation d\u2019une unit\u00e9 de traitement graphique (GPU). L\u2019avantage d\u2019une GPU r\u00e9side dans son efficacit\u00e9 en multiplication matricielle, m\u00e9thode de propagation des facteurs de pond\u00e9ration dans un r\u00e9seau neuronal. L\u2019effet sera d\u2019autant plus b\u00e9n\u00e9fique que les lots de donn\u00e9es sont volumineux ou, comme c\u2019est le cas ici, quand on ne recourt pas au traitement par lots, mais saisit la totalit\u00e9 des donn\u00e9es servant \u00e0 l\u2019apprentissage d\u2019un coup. Il conviendra d\u2019envisager l\u2019usage de plusieurs GPU.<\/li>\n<li><em>Truc.<\/em>\u00a0Attendez-vous \u00e0 ce que le mod\u00e8le donne des r\u00e9sultats l\u00e9g\u00e8rement al\u00e9atoires. Les RNR int\u00e8grent un \u00e9l\u00e9ment de hasard \u00e0 l\u2019initialisation des facteurs de pond\u00e9ration du mod\u00e8le. Par cons\u00e9quent, les chiffres varieront l\u00e9g\u00e8rement chaque fois que vous entra\u00eenerez le mod\u00e8le, y compris avec le m\u00eame jeu de donn\u00e9es.<\/li>\n<\/ul>\n                  <\/div>\n      <\/div>\n    <\/div>\n  <\/section>\n\n\n<section class=\"section section--text-columns no-background\">\n    <div class=\"grid-container\">\n      <div class=\"grid-x grid-padding-x\">\n        <div class=\"cell\">\n                  \t<h3>Plan de vol : Pr\u00e9vision de s\u00e9ries chronologiques<\/h3>\n                    <p>La Solution type recourt aux techniques d\u2019apprentissage automatique pour cr\u00e9er une variable explicative applicable aux s\u00e9ries chronologiques. Ce \u00e0 quoi on s\u2019int\u00e9resse le plus, avec les s\u00e9ries chronologiques, est leur \u00e9volution dans le temps, par exemple les tendances et la saisonnalit\u00e9. Pour vous faire rapidement une id\u00e9e de ces notions, lisez la\u00a0<a href=\"https:\/\/otexts.com\/fpp2\/tspatterns.html\" target=\"_blank\" rel=\"noopener noreferrer\">partie 2.3<\/a>\u00a0de l\u2019ouvrage\u00a0<em>Forecasting: Principles and Practice<\/em>. Voici l\u2019illustration d\u2019une s\u00e9rie chronologique.<\/p>\n                  <\/div>\n      <\/div>\n    <\/div>\n  <\/section>\n\n<div class=\"wp-block-image\">\n<figure class=\"aligncenter size-large\"><img loading=\"lazy\" decoding=\"async\" width=\"893\" height=\"252\" src=\"https:\/\/www.canarie.ca\/wp-content\/uploads\/2021\/01\/tsp_time_series_generic.png\" alt=\"\" class=\"wp-image-7660\" srcset=\"https:\/\/www.canarie.ca\/wp-content\/uploads\/2021\/01\/tsp_time_series_generic.png 893w, https:\/\/www.canarie.ca\/wp-content\/uploads\/2021\/01\/tsp_time_series_generic-300x85.png 300w, https:\/\/www.canarie.ca\/wp-content\/uploads\/2021\/01\/tsp_time_series_generic-768x217.png 768w\" sizes=\"auto, (max-width: 893px) 100vw, 893px\" \/><\/figure>\n<\/div>\n\n\n<section class=\"section section--text-columns no-background\">\n    <div class=\"grid-container\">\n      <div class=\"grid-x grid-padding-x\">\n        <div class=\"cell\">\n                    <p>La principale strat\u00e9gie consiste \u00e0 ajouter des propri\u00e9t\u00e9s qui rendront explicites les informations implicitement contenues dans la s\u00e9rie. L\u2019une des plus importantes est la fonctionnalit\u00e9 \u00ab\u00a0lag\u00a0\u00bb (d\u00e9calage), qui saisit le pouvoir pr\u00e9visionnel d\u00e9coulant de la nature s\u00e9quentielle des donn\u00e9es observ\u00e9es. Pour chaque intervalle de temps (t), l\u2019exp\u00e9rience nous apprend que l\u2019intervalle ant\u00e9rieur (t-1) a une forte valeur pr\u00e9dictive. Pour quantifier celle-ci, on examine le trac\u00e9 d\u2019autocorr\u00e9lation afin d\u2019identifier les intervalles de temps les plus \u00e9troitement corr\u00e9l\u00e9s avec la valeur actuelle. L\u2019axe des abscisses (x) correspond aux intervalles de temps et l\u2019axe des ordonn\u00e9es (y) aux valeurs corr\u00e9l\u00e9es. Le trac\u00e9 d\u2019autocorr\u00e9lation affiche la tendance pour chaque intervalle\u00a0t.<\/p>\n                  <\/div>\n      <\/div>\n    <\/div>\n  <\/section>\n\n<div class=\"wp-block-image\">\n<figure class=\"aligncenter size-large\"><img loading=\"lazy\" decoding=\"async\" width=\"598\" height=\"210\" src=\"https:\/\/www.canarie.ca\/wp-content\/uploads\/2021\/01\/tsp_autocorrelation_plot.png\" alt=\"\" class=\"wp-image-7662\" srcset=\"https:\/\/www.canarie.ca\/wp-content\/uploads\/2021\/01\/tsp_autocorrelation_plot.png 598w, https:\/\/www.canarie.ca\/wp-content\/uploads\/2021\/01\/tsp_autocorrelation_plot-300x105.png 300w\" sizes=\"auto, (max-width: 598px) 100vw, 598px\" \/><\/figure>\n<\/div>\n\n\n<section class=\"section section--text-columns no-background\">\n    <div class=\"grid-container\">\n      <div class=\"grid-x grid-padding-x\">\n        <div class=\"cell\">\n                  \t<h3>Tutorials<\/h3>\n                    <p>Comme il fallait s\u2019y attendre, les d\u00e9calages qui se rapprochent le plus de la valeur sont aussi ceux qui y sont les plus \u00e9troitement corr\u00e9l\u00e9s. Ainsi, il y a corr\u00e9lation absolue (valeur 1,0) entre la valeur au d\u00e9calage\u00a00, car cette valeur est corr\u00e9l\u00e9e avec elle-m\u00eame. Cependant, on doit prendre en compte la d\u00e9pendance s\u00e9quentielle. Bien que (t-2) semble tr\u00e8s corr\u00e9l\u00e9 \u00e0 (t), le r\u00e9sultat pourrait d\u00e9couler de la corr\u00e9lation avec (t-1). C\u2019est pourquoi il vaut la peine d\u2019examiner le trac\u00e9 de l\u2019autocorr\u00e9lation partielle, dans lequel les d\u00e9pendances de ce genre sont supprim\u00e9es. Ce trac\u00e9 illustre mieux les particularit\u00e9s du d\u00e9calage.<\/p>\n                  <\/div>\n      <\/div>\n    <\/div>\n  <\/section>\n\n<div class=\"wp-block-image\">\n<figure class=\"aligncenter size-large\"><img loading=\"lazy\" decoding=\"async\" width=\"598\" height=\"210\" src=\"https:\/\/www.canarie.ca\/wp-content\/uploads\/2021\/01\/tsp_partial_autocorrelation_plot.png\" alt=\"\" class=\"wp-image-7664\" srcset=\"https:\/\/www.canarie.ca\/wp-content\/uploads\/2021\/01\/tsp_partial_autocorrelation_plot.png 598w, https:\/\/www.canarie.ca\/wp-content\/uploads\/2021\/01\/tsp_partial_autocorrelation_plot-300x105.png 300w\" sizes=\"auto, (max-width: 598px) 100vw, 598px\" \/><\/figure>\n<\/div>\n\n\n<section class=\"section section--text-columns no-background\">\n    <div class=\"grid-container\">\n      <div class=\"grid-x grid-padding-x\">\n        <div class=\"cell\">\n                    <p>On constate que la corr\u00e9lation entre (t) et (t-2) n\u2019est plus 0,8, mais 0,2 et qu\u2019aucun d\u00e9calage au-del\u00e0 de (t-2) ne pr\u00e9sente de corr\u00e9lation ind\u00e9pendante assez robuste avec le temps pr\u00e9sent. Les trac\u00e9s d\u2019autocorr\u00e9lation et d\u2019autocorr\u00e9lation partielle font aussi ressortir le c\u00f4t\u00e9 cyclique des donn\u00e9es. D\u00e9couvrir une forte corr\u00e9lation entre (t) et (t-24), par exemple, signalerait l\u2019existence d\u2019un cycle quotidien.<\/p>\n<p>Une autre fa\u00e7on de signaler les d\u00e9pendances temporelles consiste \u00e0 effectuer un \u00ab\u00a0codage \u00e0 chaud\u00a0\u00bb, c\u2019est-\u00e0-dire convertir une variable nominale de x cat\u00e9gories en x propri\u00e9t\u00e9s binaires. Avec les s\u00e9ries chronologiques, les informations comme l\u2019heure, le jour ou le mois font partie des propri\u00e9t\u00e9s pertinentes qu\u2019on pourrait coder.<\/p>\n<p>Enfin, la solution reprend le concept du d\u00e9calage horaire des techniques classiques de pr\u00e9vision des s\u00e9ries chronologiques. L\u2019approche consiste \u00e0 supprimer la tendance et la saisonnalit\u00e9 au lieu de les afficher, dans l\u2019espoir qu\u2019ainsi, les donn\u00e9es seront plus faciles \u00e0 mod\u00e9liser. La\u00a0<a href=\"https:\/\/otexts.com\/fpp2\/stationarity.html\" target=\"_blank\" rel=\"noopener noreferrer\">section 8.1<\/a>\u00a0de\u00a0<em>Forecasting: Principles and Practice<\/em>\u00a0d\u00e9crit bien cette technique et on pourra s\u2019en servir pour transformer les donn\u00e9es ou leur donner de nouvelles propri\u00e9t\u00e9s. Nous ne l\u2019avons pas fait avec nos mod\u00e8les parce que les m\u00e9thodes employ\u00e9es ne le justifiaient pas.<\/p>\n<p>&nbsp;<\/p>\n                  <\/div>\n      <\/div>\n    <\/div>\n  <\/section>\n\n\n<section class=\"section section--text-columns no-background\">\n    <div class=\"grid-container\">\n      <div class=\"grid-x grid-padding-x\">\n        <div class=\"cell\">\n                  \t<h3>Ressources<\/h3>\n                    <p>Les parties qui suivent proposent des ressources sur les m\u00e9thodes de pr\u00e9vision des s\u00e9ries chronologiques.<\/p>\n<p><code>Le\u00a0<a href=\"https:\/\/code.cloud.canarie.ca:3000\/bluwave-ai\/time-series-prediction\" target=\"_blank\" rel=\"noopener noreferrer\">code source de la Solution type<\/a>\u00a0vous en apprendra beaucoup. Pour les exemples energy-prediction<\/code>\u00a0ou\u00a0<code>weather-prediction<\/code>\u00a0on examinera le contenu des r\u00e9pertoires\u00a0<code>\/data<\/code>,\u00a0<code>\/notebooks<\/code>,\u00a0<code>\/src\/data<\/code>, and\u00a0<code>\/src\/features<\/code>.<\/p>\n                  <\/div>\n      <\/div>\n    <\/div>\n  <\/section>\n\n\n<section class=\"section section--text-columns no-background\">\n    <div class=\"grid-container\">\n      <div class=\"grid-x grid-padding-x\">\n        <div class=\"cell\">\n                  \t<h3>Tutoriels<\/h3>\n                    <p>Le tableau ci-dessous dresse une liste partielle des didacticiels que l\u2019auteur juge les plus utiles.<\/p>\n<table border=\"1\">\n<tbody>\n<tr>\n<td><strong>Tutoriel<\/strong><\/td>\n<td><strong>R\u00e9sum\u00e9<\/strong><\/td>\n<\/tr>\n<tr>\n<td><a href=\"https:\/\/machinelearningmastery.com\/time-series-forecasting-supervised-learning\/\" target=\"_blank\" rel=\"noopener noreferrer\"><span lang=\"en-CA\">Time Series Forecasting as Supervised Learning<\/span><\/a><\/td>\n<td>Comment transformer (fondamentalement) un probl\u00e8me de pr\u00e9vision de s\u00e9rie chronologique en probl\u00e8me d\u2019apprentissage automatique<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p>&nbsp;<\/p>\n                  <\/div>\n      <\/div>\n    <\/div>\n  <\/section>\n\n\n<section class=\"section section--text-columns no-background\">\n    <div class=\"grid-container\">\n      <div class=\"grid-x grid-padding-x\">\n        <div class=\"cell\">\n                  \t<h3>Documentation<\/h3>\n                    <p>Le tableau qui suit propose quelques ressources sur la fa\u00e7on d\u2019\u00e9tablir des s\u00e9ries chronologiques par apprentissage automatique.<\/p>\n<table border=\"1\">\n<tbody>\n<tr>\n<td><strong>Document<\/strong><\/td>\n<td><strong>Summary<\/strong><\/td>\n<\/tr>\n<tr>\n<td><a href=\"https:\/\/otexts.com\/fpp2\/\" target=\"_blank\" rel=\"noopener noreferrer\"><span lang=\"en-CA\">Forecasting: Principles and Practice<\/span><\/a><\/td>\n<td>Ouvrage gratuit en ligne sur les principes de la pr\u00e9vision des s\u00e9ries chronologiques. Il vous aidera \u00e0 ma\u00eetriser les s\u00e9ries de donn\u00e9es chronologiques et leurs caract\u00e9ristiques. Comprend une section sur les r\u00e9seaux neuronaux et leur utilisation pour effectuer des pr\u00e9vision avanc\u00e9es.<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n                  <\/div>\n      <\/div>\n    <\/div>\n  <\/section>\n\n\n<section class=\"section section--text-columns no-background\">\n    <div class=\"grid-container\">\n      <div class=\"grid-x grid-padding-x\">\n        <div class=\"cell\">\n                  \t<h3>Soutien<\/h3>\n                    <p>Aucune ressource suppl\u00e9mentaire applicable<\/p>\n                  <\/div>\n      <\/div>\n    <\/div>\n  <\/section>\n\n\n<section class=\"section section--text-columns no-background\">\n    <div class=\"grid-container\">\n      <div class=\"grid-x grid-padding-x\">\n        <div class=\"cell\">\n                  \t<h3>Pratiques exemplaires<\/h3>\n                    <ul class=\"arrow-list\">\n<li><em>Carnets de notes.<\/em>\u00a0Apr\u00e8s avoir t\u00e9l\u00e9charg\u00e9 les donn\u00e9es, la premi\u00e8re chose \u00e0 faire consiste \u00e0 en explorer les caract\u00e9ristiques. \u00c0 cause de leur interactivit\u00e9, les carnets de notes Jupyter, dans Python, s\u2019y pr\u00eatent bien. En apprentissage automatique, les d\u00e9cisions sur le traitement pr\u00e9alable des donn\u00e9es ainsi que le choix et la cr\u00e9ation de fonctionnalit\u00e9s devraient s\u2019appuyer sur le travail effectu\u00e9 avec les carnets de notes. Nous pr\u00e9conisons l\u2019usage de tels carnets pour sauvegarder et signaler les r\u00e9sultats du travail d\u2019exploration.<\/li>\n<\/ul>\n                  <\/div>\n      <\/div>\n    <\/div>\n  <\/section>\n\n\n<section class=\"section section--text-columns no-background\">\n    <div class=\"grid-container\">\n      <div class=\"grid-x grid-padding-x\">\n        <div class=\"cell\">\n                  \t<h3>Trucs et hics<\/h3>\n                    <ul class=\"arrow-list\">\n<li><span lang=\"en-CA\"><em>Hic.\u00a0<\/em><\/span>Prenez garde \u00e0 ne pas faire fuiter accidentellement les donn\u00e9es, ce qui pourrait arriver dans les situations que voici.\n<ul class=\"arrow-list\">\n<li>Fuite de l\u2019avenir dans le pass\u00e9. Assurez-vous que l\u2019algorithme d\u2019apprentissage automatique ne peut \u00ab\u00a0voir dans l\u2019avenir\u00a0\u00bb ni dans le pr\u00e9sent. Vous ne devez inclure aucune donn\u00e9e de l\u2019\u00e9poque \u00e0 laquelle s\u2019applique les pr\u00e9visions. Concr\u00e8tement, quand le mod\u00e8le formule une pr\u00e9vision pour le temps t, il ne peut avoir absorb\u00e9 de donn\u00e9es sur le temps t ni les p\u00e9riodes subs\u00e9quentes.<\/li>\n<li>Fuites des donn\u00e9es d\u2019essai (ou de validation) dans les donn\u00e9es d\u2019entra\u00eenement. L\u2019avantage de s\u00e9parer les donn\u00e9es en donn\u00e9es de formation, donn\u00e9es de validation et donn\u00e9es d\u2019essai dispara\u00eet quand le mod\u00e8le a acc\u00e8s aux donn\u00e9es de validation durant l\u2019optimisation ou aux donn\u00e9es d\u2019essai lors de la p\u00e9riode d\u2019entra\u00eenement.<\/li>\n<li>Fuite des variables \u00e9tudi\u00e9es dans les propri\u00e9t\u00e9s. Il pourrait s\u2019agir d\u2019un probl\u00e8me implicite si on b\u00e2tit par erreur les propri\u00e9t\u00e9s \u00e0 partir des variables \u00e9tudi\u00e9es. C\u2019est ce qui se produit, par exemple, quand on b\u00e2tit une fonctionnalit\u00e9 pour les valeurs binaires aberrantes en comptant les valeurs aberrantes de la cible ou variable \u00e9tudi\u00e9e.<\/li>\n<\/ul>\n<\/li>\n<li><span lang=\"en-CA\"><em>Truc.<\/em>\u00a0Efforcez-vous de vaincre la persistance. La \u00ab\u00a0persistance\u00a0\u00bb, variable explicative la plus simple des s\u00e9ries chronologiques, pr\u00e9voit simplement que la valeur suivante sera \u00e9gale \u00e0 la valeur pr\u00e9sente. Le taux d\u2019erreur d\u2019un tel mod\u00e8le est si faible qu\u2019il impressionne, mais il le fait de fa\u00e7on stupide. Quand on \u00e9tablit une variable explicative pour une s\u00e9rie chronologique, on comparera la performance du mod\u00e8le \u00e0 la persistance. Cela vous \u00e9vitera d\u2019essayer de pr\u00e9dire une quantit\u00e9 r\u00e9sultant de l\u2019effet du hasard, comme l\u2019explique\u00a0<a href=\"https:\/\/towardsdatascience.com\/how-not-to-use-machine-learning-for-time-series-forecasting-avoiding-the-pitfalls-19f9d7adf424\" target=\"_blank\" rel=\"noopener noreferrer\">cet auteur<\/a>. Si votre mod\u00e8le ne donne pas de meilleurs r\u00e9sultats que la persistance, il se pourrait que la quantit\u00e9 \u00e9tudi\u00e9e soit tout simplement impossible \u00e0 pr\u00e9voir.<\/span><\/li>\n<\/ul>\n                    <div class=\"button-group\">\n              \t\t\t\t  \t<a class=\"button-border-blue\" href=\"https:\/\/www.canarie.ca\/fr\/nuage\/propulseurs\/catalogue\/prevision-de-series-chronologiques-par-apprentissage-automatique\/solution-type-prevision-de-series-chronologiques-par-apprentissage-automatique\" target=\"_blank\">Solution Type<\/a>\n    \t\t\t    \t\t\t    \t\t\t<\/div>\n    \t\t\t        <\/div>\n      <\/div>\n    <\/div>\n  <\/section>","protected":false},"excerpt":{"rendered":"","protected":false},"author":3,"featured_media":0,"parent":6557,"menu_order":0,"comment_status":"closed","ping_status":"closed","template":"","meta":{"_acf_changed":false,"footnotes":""},"class_list":["post-7676","page","type-page","status-publish","hentry"],"acf":[],"yoast_head":"<!-- This site is optimized with the Yoast SEO plugin v27.5 - https:\/\/yoast.com\/product\/yoast-seo-wordpress\/ -->\n<title>Plan de vol : pr\u00e9vision de s\u00e9ries chronologiques par apprentissage automatique - CANARIE<\/title>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/www.canarie.ca\/fr\/nuage\/catalogue\/prevision-de-series-chronologiques-par-apprentissage-automatique\/\" \/>\n<meta property=\"og:locale\" content=\"fr_FR\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Plan de vol : pr\u00e9vision de s\u00e9ries chronologiques par apprentissage automatique - CANARIE\" \/>\n<meta property=\"og:url\" content=\"https:\/\/www.canarie.ca\/fr\/nuage\/catalogue\/prevision-de-series-chronologiques-par-apprentissage-automatique\/\" \/>\n<meta property=\"og:site_name\" content=\"CANARIE\" \/>\n<meta property=\"article:modified_time\" content=\"2024-10-30T13:49:27+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/www.canarie.ca\/wp-content\/uploads\/2021\/01\/tsp_time_series_generic.png\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\\\/\\\/schema.org\",\"@graph\":[{\"@type\":\"WebPage\",\"@id\":\"https:\\\/\\\/www.canarie.ca\\\/fr\\\/nuage\\\/catalogue\\\/prevision-de-series-chronologiques-par-apprentissage-automatique\\\/\",\"url\":\"https:\\\/\\\/www.canarie.ca\\\/fr\\\/nuage\\\/catalogue\\\/prevision-de-series-chronologiques-par-apprentissage-automatique\\\/\",\"name\":\"Plan de vol : pr\u00e9vision de s\u00e9ries chronologiques par apprentissage automatique - CANARIE\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/www.canarie.ca\\\/#website\"},\"primaryImageOfPage\":{\"@id\":\"https:\\\/\\\/www.canarie.ca\\\/fr\\\/nuage\\\/catalogue\\\/prevision-de-series-chronologiques-par-apprentissage-automatique\\\/#primaryimage\"},\"image\":{\"@id\":\"https:\\\/\\\/www.canarie.ca\\\/fr\\\/nuage\\\/catalogue\\\/prevision-de-series-chronologiques-par-apprentissage-automatique\\\/#primaryimage\"},\"thumbnailUrl\":\"https:\\\/\\\/www.canarie.ca\\\/wp-content\\\/uploads\\\/2021\\\/01\\\/tsp_time_series_generic.png\",\"datePublished\":\"2021-01-25T15:45:27+00:00\",\"dateModified\":\"2024-10-30T13:49:27+00:00\",\"breadcrumb\":{\"@id\":\"https:\\\/\\\/www.canarie.ca\\\/fr\\\/nuage\\\/catalogue\\\/prevision-de-series-chronologiques-par-apprentissage-automatique\\\/#breadcrumb\"},\"inLanguage\":\"fr-FR\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\\\/\\\/www.canarie.ca\\\/fr\\\/nuage\\\/catalogue\\\/prevision-de-series-chronologiques-par-apprentissage-automatique\\\/\"]}]},{\"@type\":\"ImageObject\",\"inLanguage\":\"fr-FR\",\"@id\":\"https:\\\/\\\/www.canarie.ca\\\/fr\\\/nuage\\\/catalogue\\\/prevision-de-series-chronologiques-par-apprentissage-automatique\\\/#primaryimage\",\"url\":\"https:\\\/\\\/www.canarie.ca\\\/wp-content\\\/uploads\\\/2021\\\/01\\\/tsp_time_series_generic.png\",\"contentUrl\":\"https:\\\/\\\/www.canarie.ca\\\/wp-content\\\/uploads\\\/2021\\\/01\\\/tsp_time_series_generic.png\"},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\\\/\\\/www.canarie.ca\\\/fr\\\/nuage\\\/catalogue\\\/prevision-de-series-chronologiques-par-apprentissage-automatique\\\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Accueil\",\"item\":\"https:\\\/\\\/www.canarie.ca\\\/fr\\\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Le nuage de l&#8217;ATIR\",\"item\":\"https:\\\/\\\/www.canarie.ca\\\/fr\\\/?page_id=44361\"},{\"@type\":\"ListItem\",\"position\":3,\"name\":\"Catalogue des Propulseurs de l\u2019ATIR\",\"item\":\"https:\\\/\\\/www.canarie.ca\\\/fr\\\/?page_id=6557\"},{\"@type\":\"ListItem\",\"position\":4,\"name\":\"Plan de vol : pr\u00e9vision de s\u00e9ries chronologiques par apprentissage automatique\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\\\/\\\/www.canarie.ca\\\/#website\",\"url\":\"https:\\\/\\\/www.canarie.ca\\\/\",\"name\":\"CANARIE\",\"description\":\"\",\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\\\/\\\/www.canarie.ca\\\/?s={search_term_string}\"},\"query-input\":{\"@type\":\"PropertyValueSpecification\",\"valueRequired\":true,\"valueName\":\"search_term_string\"}}],\"inLanguage\":\"fr-FR\"}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"Plan de vol : pr\u00e9vision de s\u00e9ries chronologiques par apprentissage automatique - CANARIE","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/www.canarie.ca\/fr\/nuage\/catalogue\/prevision-de-series-chronologiques-par-apprentissage-automatique\/","og_locale":"fr_FR","og_type":"article","og_title":"Plan de vol : pr\u00e9vision de s\u00e9ries chronologiques par apprentissage automatique - CANARIE","og_url":"https:\/\/www.canarie.ca\/fr\/nuage\/catalogue\/prevision-de-series-chronologiques-par-apprentissage-automatique\/","og_site_name":"CANARIE","article_modified_time":"2024-10-30T13:49:27+00:00","og_image":[{"url":"https:\/\/www.canarie.ca\/wp-content\/uploads\/2021\/01\/tsp_time_series_generic.png","type":"","width":"","height":""}],"twitter_card":"summary_large_image","schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"WebPage","@id":"https:\/\/www.canarie.ca\/fr\/nuage\/catalogue\/prevision-de-series-chronologiques-par-apprentissage-automatique\/","url":"https:\/\/www.canarie.ca\/fr\/nuage\/catalogue\/prevision-de-series-chronologiques-par-apprentissage-automatique\/","name":"Plan de vol : pr\u00e9vision de s\u00e9ries chronologiques par apprentissage automatique - CANARIE","isPartOf":{"@id":"https:\/\/www.canarie.ca\/#website"},"primaryImageOfPage":{"@id":"https:\/\/www.canarie.ca\/fr\/nuage\/catalogue\/prevision-de-series-chronologiques-par-apprentissage-automatique\/#primaryimage"},"image":{"@id":"https:\/\/www.canarie.ca\/fr\/nuage\/catalogue\/prevision-de-series-chronologiques-par-apprentissage-automatique\/#primaryimage"},"thumbnailUrl":"https:\/\/www.canarie.ca\/wp-content\/uploads\/2021\/01\/tsp_time_series_generic.png","datePublished":"2021-01-25T15:45:27+00:00","dateModified":"2024-10-30T13:49:27+00:00","breadcrumb":{"@id":"https:\/\/www.canarie.ca\/fr\/nuage\/catalogue\/prevision-de-series-chronologiques-par-apprentissage-automatique\/#breadcrumb"},"inLanguage":"fr-FR","potentialAction":[{"@type":"ReadAction","target":["https:\/\/www.canarie.ca\/fr\/nuage\/catalogue\/prevision-de-series-chronologiques-par-apprentissage-automatique\/"]}]},{"@type":"ImageObject","inLanguage":"fr-FR","@id":"https:\/\/www.canarie.ca\/fr\/nuage\/catalogue\/prevision-de-series-chronologiques-par-apprentissage-automatique\/#primaryimage","url":"https:\/\/www.canarie.ca\/wp-content\/uploads\/2021\/01\/tsp_time_series_generic.png","contentUrl":"https:\/\/www.canarie.ca\/wp-content\/uploads\/2021\/01\/tsp_time_series_generic.png"},{"@type":"BreadcrumbList","@id":"https:\/\/www.canarie.ca\/fr\/nuage\/catalogue\/prevision-de-series-chronologiques-par-apprentissage-automatique\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Accueil","item":"https:\/\/www.canarie.ca\/fr\/"},{"@type":"ListItem","position":2,"name":"Le nuage de l&#8217;ATIR","item":"https:\/\/www.canarie.ca\/fr\/?page_id=44361"},{"@type":"ListItem","position":3,"name":"Catalogue des Propulseurs de l\u2019ATIR","item":"https:\/\/www.canarie.ca\/fr\/?page_id=6557"},{"@type":"ListItem","position":4,"name":"Plan de vol : pr\u00e9vision de s\u00e9ries chronologiques par apprentissage automatique"}]},{"@type":"WebSite","@id":"https:\/\/www.canarie.ca\/#website","url":"https:\/\/www.canarie.ca\/","name":"CANARIE","description":"","potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/www.canarie.ca\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"fr-FR"}]}},"_links":{"self":[{"href":"https:\/\/www.canarie.ca\/fr\/wp-json\/wp\/v2\/pages\/7676","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.canarie.ca\/fr\/wp-json\/wp\/v2\/pages"}],"about":[{"href":"https:\/\/www.canarie.ca\/fr\/wp-json\/wp\/v2\/types\/page"}],"author":[{"embeddable":true,"href":"https:\/\/www.canarie.ca\/fr\/wp-json\/wp\/v2\/users\/3"}],"replies":[{"embeddable":true,"href":"https:\/\/www.canarie.ca\/fr\/wp-json\/wp\/v2\/comments?post=7676"}],"version-history":[{"count":2,"href":"https:\/\/www.canarie.ca\/fr\/wp-json\/wp\/v2\/pages\/7676\/revisions"}],"predecessor-version":[{"id":44504,"href":"https:\/\/www.canarie.ca\/fr\/wp-json\/wp\/v2\/pages\/7676\/revisions\/44504"}],"up":[{"embeddable":true,"href":"https:\/\/www.canarie.ca\/fr\/wp-json\/wp\/v2\/pages\/6557"}],"wp:attachment":[{"href":"https:\/\/www.canarie.ca\/fr\/wp-json\/wp\/v2\/media?parent=7676"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}