Une approche de classification non supervisée basée sur la détection de singularités et la corrélation de séries temporelles pour la recherche d'états : application à un bioprocédé fed-batch
Résumé
Au cours des dernières années, les approches d'apprentissage profond
(deep learning) ont connu un énorme succès dans de multiples domaines tels que le traitement d'images, la vision par ordinateur, la reconnaissance de son et le traitement du langage naturel. Dans cet exposé, je passerai en revue les avancées récentes de l'apprentissage profond pour la classification de séries temporelles univariées et multivariées. Je présenterai des résultats expérimentaux obtenus avec les principales architectures proposées dans la littérature. J'aborderai également les principaux défis liés à l'utilisation de l'apprentissage profond
comme l'apprentissage par transfert, l'augmentation de données, la distillation des connaissances, l'interprétabilité et l'apprentissage de représentation dans le contexte de l'analyse des séries temporelles. Je présenterai des applications sur des benchmarks de séries temporelles et dans les domaines de l'analyse d'images satellitaires et de l'analyse du mouvement humain.