La première partie du cours se concentre sur la modélisation expérimentale des séries temporelles. Elle
fournit une description détaillée de la chaîne de prévision et de modélisation des séries temporelles, de
l¿analyse des données à la validation du modèle. La deuxième partie traite des principes de traitement des
signaux sur graphes et des réseaux convolutionnels sur graphes.
1. Analyse de séries temporelles
- Notions de base sur les séries temporelles : caractéristiques importantes d'un graphique de séries
temporelles, modèle auto-régressif (AR), fonction d'autocorrélation (ACF), modèles de moyenne mobile
(MA), étude des résidus.
- Modèles de moyenne mobile (MA), autocorrélation partielle, notations utiles (opérateurs de décalage
arrière..)
- Identification et estimation des modèles ARMA, ARIMA ; utilisation des modèles ARIMA pour prévoir
les valeurs futures.
- Modèles ARIMA saisonniers et lissage exponentiel
2. Traitement du signal et apprentissage sur graphes
- Notions de bases sur la modélisation à base de graphes, le signal sur graphes, les applications, l¿intérêt de
la representation, comment définir un graphe ?
- Transformée de Fourier, convolution et filtrage des signaux sur graphes
- Réseaux de neurones sur graphes, théorie et applications dans différents domaines
3. Applications pratiques
- Prédiction du changement climatique avec des modèles ARIMA, SARIMA. Analyse approfondie des
modèles et des transformations de données.
- Classification de noeuds et de graphes. Applications sur des données réelles : réseaux sociaux et
neurosciences
- Gestionnaire: Mira Rizkallah
- Enseignant: Younes MOUSSAOUI
- Enseignant: Maria SARKIS