Skip to Main content Skip to Navigation
Theses

Apprentissage et prévision séquentiels : bornes uniformes pour le regret linéaire et séries temporelles hiérarchiques

Abstract : Ce travail présente quelques contributions théoriques et pratiques à la prévision des suites arbitraires. Dans ce domaine, la prévision se déroule séquentiellement en même temps que l’apprentissage. À chaque étape, on ajuste le modèle sur les données passées afin de prévoir la prochaine observation. Le but de ce modèle est de faire les meilleures prévisions possibles, c’est-à-dire celles qui minimisent leurs écarts avec les observations. Les méthodes d’apprentissage séquentielles sont évaluées par leur regret, qui mesure à quelle point une stratégie est proche de la meilleure possible, qui est seulement connue une fois l’ensemble des données disponible. Un des résultats de cette thèse est d’étendre l’ensemble des stratégies auxquels on se compare lorsque l’on fait de la régression linéaire séquentielle. Nous avons adapté un algorithme existant en améliorant ses garanties théoriques pour lui permettre de se comparer à n’importe quelle combinaison linéaire constante sans restriction sur la norme de ses poids de mélange. Un deuxième travail a consisté à étendre les méthodes de prévisions séquentielles lorsque les données à prévoir sont hiérarchiquement organisées. Nous avons testé ces méthodes hiérarchiques sur deux applications pratiques, la prévision de consommation électrique des ménages et la prévision de ventes pour le e-commerce.
Complete list of metadatas

Cited literature [93 references]  Display  Hide  Download

https://tel.archives-ouvertes.fr/tel-02957602
Contributor : Malo Huard <>
Submitted on : Monday, October 5, 2020 - 12:03:59 PM
Last modification on : Saturday, October 10, 2020 - 3:25:33 AM

File

these_archivage.pdf
Files produced by the author(s)

Identifiers

  • HAL Id : tel-02957602, version 1

Collections

Citation

Malo Huard. Apprentissage et prévision séquentiels : bornes uniformes pour le regret linéaire et séries temporelles hiérarchiques. Machine Learning [stat.ML]. Université Paris-Saclay, 2020. Français. ⟨tel-02957602⟩

Share

Metrics

Record views

33

Files downloads

29