Modèles d'apprentissage automatique multivariés

Le réseau neuronal artificiel (ANN) est un modèle inspiré des réseaux neuronaux biologiques tels que le cerveau humain. Le modèle est un exemple de modèle d'apprentissage automatique plus clairsemé que le LSTM et le GRU. Cela réduit le risque de surajustement tout en offrant plus de flexibilité qu'un modèle linéaire. L'ANN est entraîné sur des données à l'aide de variantes de descente de gradient, telles que AdaGrad et ADAM.

Le modèle d'unité récurrente fermée (GRU) est un type de réseau neuronal récurrent. En tant que tel, il convient parfaitement aux données séquentielles telles que les séries chronologiques. Le principal atout est sa grande flexibilité par rapport aux modèles linéaires. Un modèle GRU peut identifier des modèles non linéaires dans les données, ce qui lui permet de les décrire avec plus de précision. Il est similaire au LSTM mais comporte moins de paramètres, ce qui réduit le risque de surajustement sur des ensembles de données plus restreints. Le GRU est entraîné sur des données à l'aide de variantes de descente de gradient, telles que AdaGrad et ADAM.

Le modèle de mémoire à long terme (LSTM) est un réseau neuronal récurrent artificiel. Il est particulièrement adapté au traitement de séquences de données, grâce à ses connexions de rétroaction. Les modèles LSTM sont utilisés pour de nombreuses tâches différentes, telles que l'analyse vocale et vidéo, ainsi que l'analyse de séries chronologiques. L'un des principaux atouts d'un modèle LSTM est sa flexibilité, il peut identifier des structures complexes dans les données grâce à ses fonctions d'activation non linéaires et à son paramétrage intensif. Le LSTM est entraîné sur des données à l'aide de variantes de descente de gradient, telles que AdaGrad et ADAM.