AI 용어집
인공지능 완전 사전
Modèles ARIMA/SARIMA
Méthodologies statistiques basées sur l'autorégression, les moyennes mobiles et l'intégration pour modéliser et prévoir des séries temporelles univariées.
Réseaux de Neurones Récurents
Architectures de deep learning spécialisées dans le traitement de données séquentielles, incluant LSTM et GRU pour capturer dépendances à long terme.
Modèles Prophet
Procédure de prévision développée par Facebook combinant décomposition additive avec régression pour gérer tendances, saisonnalités et effets calendaires.
Décomposition Saisonnière
Techniques pour séparer les séries temporelles en composantes de tendance, saisonnalité et résidus, notamment STL et X-13-ARIMA-SEATS.
Analyse Spectrale et Ondelettes
Méthodes fréquentielles utilisant transformée de Fourier et ondelettes pour identifier cycles et patterns périodiques dans les séries temporelles.
Modèles à Espace d'États
Framework mathématique modélisant les séries temporelles comme systèmes dynamiques avec états latents, utilisant filtres de Kalman pour inférence.
Détection d'Anomalies Temporelles
Algorithmes spécialisés pour identifier observations aberrantes, changements structurels et points de rupture dans les séries temporelles.
Prévision Multivariée
Modélisation simultanée de multiples séries temporelles interdépendantes via VAR, VECM et réseaux neurones multivariés.
Modèles de Volatilité GARCH
Famille de modèles capturant la variance conditionnelle et l'hétéroscédasticité des séries financières, incluant EGARCH et TGARCH.
Séries Temporelles Irrégulières
Techniques pour gérer données manquantes, observations non-uniformes et timestamps irréguliers dans les séries temporelles.
Analyse de Causalité
Méthodes statistiques pour déterminer relations causales entre séries temporelles, incluant tests de Granger et modèles causaux structurels.
Méthodes Bayésiennes
Approche probabiliste utilisant distributions a priori et inférence bayésienne pour quantifier incertitude dans les prévisions temporelles.
Prévision par Ensemble
Combinaison de multiples modèles de prévision pour améliorer robustesse et précision via techniques de bagging, boosting et stacking.
Transformées Temporelles
Architectures transformer adaptées aux séries temporelles utilisant mécanismes d'attention pour capturer dépendances complexes.
Analyse de Haute Fréquence
Techniques spécialisées pour traiter données tick-by-tick et microstructure de marché avec observations à millisecondes.