Intelligence Artificielle & Machine Learning pour la modélisation de séries temporelles et de signaux (Master 1 Parcours IA)


Voici les transparents de cours et les supports numériques associés au module de Intelligence Artificielle & Machine Learning pour la modélisation de séries temporelles et de signaux (Master 1 Parcours IA) durant l'année scolaire 2020-2021.

Supports de cours

Introduction
pdf
Séance 1 : Observer et explorer les données
  1. Vision déterministe
    1. Echantillonnage uniforme
    2. Transformée de Fourier
    3. Transformée de Fourier discrète
    4. Filtrage linéaire
  2. Vision statistique
    1. Rappel de probabilités
    2. Stationnarité et ergodicité
    3. Fonction d'autocorrélation
    4. Densité spectrale de puissance
    5. Spectrogramme
pdf
Séance 2 : Modéliser et représenter les données
  1. Modélisation des signaux
    1. Modèle signal + bruit
    2. Modèle sinusoïdal
    3. Modèle tendance et saisonnalité
    4. Modèle autorégressif
    5. Evaluation des modèles
  2. Apprentissage de représentation et de dictionnaire
    1. Codage parcimonieux
    2. Apprentissage de dictionnaire
    3. Applications
pdf
Séance 3 : Améliorer la qualité des données
  1. Débruitage
    1. Modèle signal + bruit
    2. Débruitage par filtrage linéaire
  2. Supression de tendance
    1. Modèle tendance et saisonnalité
    2. Approches existantes
  3. Supression du bruit impulsionnel
    1. Echantillons isolés
    2. Echantillons contigus
  4. Interpolation de données manquantes
    1. Principe de l'interpolation
    2. Approches existantes
  5. Détection de ruptures
    1. Gérer la non-stationnalité
    2. Détection de ruptures
pdf
Séance 4 : Extraire et sélectionner des caractéristiques
  1. Caractéristiques usuelles
    1. Caractéristiques statistiques
    2. Caractéristiques fréquentielles
    3. Modèles paramétriques
  2. Sélection de caractéristiques
    1. Cas non supervisé
    2. Cas supervisé
pdf
Séance 5 : Extraire et reconnaître des motifs
  1. Comparer des signaux
    1. Distance euclidienne
    2. Distance euclidienne normalisée
    3. Dynamic Time Warping (DTW)
  2. Détection de motifs
  3. Extraction de motifs
pdf

Supports numériques

Supports numériques en Python (Jupyter Notebooks)
python
Supports numériques en Python (Jupyter Notebooks) exécutables en ligne
binder
Supports numériques en MATLAB (ancienne version)
matlab
  • Session 1 : Introduction to Signal Processing.
    Sampling, Discrete Fourier Transform (DFT) and digital filters.
  • Session 2 : Introduction to Statistical Signal Processing.
    Basic statistics, autocorrelation function, Power Spectral Density (PSD) estimators and spectrogram.
  • Session 3 : Time series models.
    Signal+noise model, sinusoidal model, trend+seasonality model and autoregressive models.
  • Session 4 : Representation and dictionary learning
    Notion of sparsity, sparse coding (l0 and l1), dictionary learning.
  • Session 5 : Pre-processing.
    Denoising, detrending, removal of impulsive noise, interpolation and change point detection.
  • Session 6 : Feature extraction and selection.
    Classical feature extraction, unsupervised feature selection with PCA, supervised feature selection (filter, wrapper and embedded methods).
  • Session 7 : Pattern detection and extraction.
    Distances between time series (Euclidean, normalized Euclidean and DTW), pattern detection and distance-based pattern extraction.