KI-Glossar
Das vollständige Wörterbuch der Künstlichen Intelligenz
Dynamic Time Warping (DTW)
Algorithme de mesure de similarité qui aligne dynamiquement deux séries temporelles en permettant des déformations temporelles pour minimiser la distance cumulée entre les points correspondants.
k-Shape Algorithm
Méthode de clustering spécifique aux séries temporelles basée sur la forme, utilisant une mesure de distance invariante par translation et rotation pour regrouper des séries avec des motifs similaires.
Soft-DTW
Variante différentiable du Dynamic Time Warping qui remplace l'opération min par une approximation lisse, permettant son utilisation dans les réseaux de neurones et l'optimisation par descente de gradient.
Barycentre Temporel
Moyenne temporelle d'un ensemble de séries temporelles alignées, représentant le centroïde d'un cluster et servant de référence pour les algorithmes de type k-means adaptés aux séries temporelles.
Clustering par Autoencoder
Approche qui combine apprentissage non supervisé et clustering en utilisant des autoencoders pour extraire des caractéristiques pertinentes avant d'appliquer un algorithme de clustering dans l'espace latent.
Shape-Based Distance (SBD)
Mesure de distance basée sur la corrélation croisée normalisée, conçue pour capturer la similarité de forme entre séries temporelles indépendamment des décalages temporels.
Temporal Deep Clustering
Méthode de clustering profond qui intègre les dépendances temporelles directement dans l'architecture du réseau, souvent via des couches LSTM ou GRU pour capturer les motifs séquentiels.
Clustering par Wavelet
Technique utilisant la transformée en ondelettes pour décomposer les séries temporelles en différentes fréquences, permettant le clustering basé sur des caractéristiques multi-échelles.
Time Series K-Means
Adaptation de l'algorithme k-means standard pour les séries temporelles, utilisant des métriques de distance spécifiques comme DTW ou SBD au lieu de la distance euclidienne classique.
Clustering par Co-intégration
Méthode statistique regroupant des séries temporelles partageant une relation d'équilibre à long terme, particulièrement utile pour les séries financières et économiques non stationnaires.
Spectral Clustering Temporel
Extension du clustering spectral aux séries temporelles, construisant une matrice de similarité temporelle et utilisant les valeurs propres pour identifier des clusters dans l'espace spectral.
Clustering par Transformée de Fourier
Approche basée sur la représentation fréquentielle des séries temporelles, regroupant des séries ayant des signatures spectrales similaires indépendamment de leur alignement temporel.
Temporal DBSCAN
Adaptation de DBSCAN pour les séries temporelles utilisant une mesure de distance temporelle et permettant l'identification de clusters de formes variables et de points aberrants temporels.
Clustering par Décomposition Singulière
Méthode basée sur la SVD pour extraire les composantes principales d'un ensemble de séries temporelles, utilisant ces composantes pour le clustering dans un espace de dimension réduite.
Shapelet-Based Clustering
Technique identifiant des sous-séquences discriminantes (shapelets) et utilisant leur présence ou absence comme caractéristiques pour regrouper des séries temporelles avec des motifs locaux similaires.
Clustering par Spline
Méthode approchant les séries temporelles par des fonctions splines pour réduire le bruit et capturer la tendance sous-jacente avant d'appliquer le clustering sur les coefficients spline.
Temporal Hierarchical Clustering
Approche hiérarchique utilisant des mesures de similarité temporelles pour construire un dendrogramme de séries, permettant l'identification de structures de clustering à différentes résolutions temporelles.
Clustering par LSTM-Autoencoder
Architecture combinant LSTM pour capturer les dépendances temporelles et autoencoders pour l'apprentissage de représentations compactes, suivies d'un clustering dans l'espace latent.