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)
Udemy
platform
Français
language
Data Science
category
Prédiction des séries temporelles en deep learning - Partie2
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

Prédiction des séries temporelles en deep learning - Partie2 - Screenshot_01Prédiction des séries temporelles en deep learning - Partie2 - Screenshot_02Prédiction des séries temporelles en deep learning - Partie2 - Screenshot_03Prédiction des séries temporelles en deep learning - Partie2 - Screenshot_04
4250120
udemy ID
8/18/2021
course created date
8/22/2021
course indexed date
Bot
course submited by
Prédiction des séries temporelles en deep learning - Partie2 - | Comidoc