Cet article est une traduction française de notre article intitulé "LITE : Light Inception with boosTing tEchniques for Time Series Classification" publié lors de la conférence internationale IEEE "Data Science and Advanced Analaytics (DSAA)" dans la session spéciale consacrée à l'apprentissage pour les données temporelles. Les modèles d'apprentissage profond se sont révélés être efficaces pour la classification des séries temporelles (CST). Les architectures de l'état de l'art, tout en produisant des résultats prometteurs sur l'archive UCR, présentent un nombre élevé de paramètres à entraîner. Cela peut conduire à un entraînement long avec une consommation d'énergie et une augmentation possible du nombre de FLoating-points Operations Per Second (FLOPS). Dans cet article, nous présentons une nouvelle architecture pour la CST : Light Inception with boosTing tEchnique (LITE) nécessitant seulement 2, 34% du nombre de paramètres du modèle InceptionTime, tout en préservant les performances. Cette architecture, qui ne compte que 9 814 de paramètres à entraîner en raison de l'utilisation de convolutions séparables en profondeur (DWSC), est renforcée par trois techniques : le multiplexage, les filtres personnalisés et la convolution dilatée. L'architecture LITE, entraînée sur l'UCR, est 2, 71 fois plus rapide qu'InceptionTime et consomme 2, 79 fois moins de CO2 et d'énergie.