Prédiction des séries temporelles en deep learning - Partie2
Modèles avancés tirés de la recherche scientifique sous Keras/Tensorflow, Random Forest, optimisation d'hyperparamètres
4.85 (10 reviews)

212
students
9.5 hours
content
Aug 2021
last update
$19.99
regular price
What you will learn
Comprendre et coder des modèles de prédiction avancés de séries temporelles issus de la recherche scientifique de ces dernières années sous Keras / Tensorflow
Comprendre et utiliser la méthode des forêts aléatoires (Random Forest) pour les prédictions et pour sélectionner les variables exogènes les plus importantes
Optimiser les hyperparamètres des modèles avec la librairie Raytune, utiliser ses algorithmes de recherche Bayesiens ainsi que ses algorithmes de planification
Utiliser l'algorithme VSURF afin d'extraire les variables les plus importantes d'une série exogène avec R
Utiliser un serveur dédié sous Google Cloud pour mettre en place l'application R-Studio permettant d'exécuter des programmes R
Utiliser un algorithme de compensation des erreurs à base de correcteur PID (Proportionnel Intégral Dérivé)
Screenshots




Related Topics
4250120
udemy ID
8/18/2021
course created date
8/22/2021
course indexed date
Bot
course submited by