mercredi 18 avril 2012

Cours "Prévision séquentielle robuste par agrégation de prédicteurs"

Le GT prévision soutenu par le mécénat d'Artelys et de GDF Suez propose un cours de 4h -ouvert à tous- sur le sujet de la prévision séquentielle robuste par agrégation de prédicteurs (description fin de post).

Cette introduction sera donnée par Gilles Stoltz (HEC, CNRS) le mercredi 6 juin de 13h00 à 17h00 à l'ENGREF. Merci de vous inscrire sur le lien suivant : http://www.amiando.com/TKBVBLT.html




#################################################
Titre :
Prévision séquentielle robuste par agrégation de prédicteurs

Résumé :

On considère un cadre méta-statistique de prévision séquentielle d'un phénomène quantitatif. On ne cherchera pas à modéliser ce dernier mais on supposera avoir accès à N méthodes de prévision fondamentales (issues p.ex. de la littérature des séries chronologiques, de l'apprentissage, etc.) : on appellera 'experts' ces N méthodes fondamentales et on les traitera comme des boîtes noires prédictives, c'est-à-dire que l'on ne discutera pas leur construction.

En revanche, on expliquera comment, dans un sens très robuste, on pourra combiner leurs prévisions pour obtenir une méta-prévision (dite agrégée) presqu'aussi bonne, voire meilleure, que n'importe quelle suite de prévisions produite par l'une des boîtes noires. A cet effet, on introduira une quantité-clé, appelée le regret, et il s'agira de minimiser le regret.

On considérera également une extension au cadre d'un environnement changeant : lorsque l'on veut se comparer non plus au meilleur expert mais à la meilleure suite d'experts avec quelques (mais pas trop) de changements au cours du temps.

On illustrera enfin les méthodes théoriques sur deux jeux de données : prévision de pics d'ozone, prévision de consommation électrique; et on fera allusion à des travaux en cours sur d'autres jeux de données... s'ils ont bien avancé d'ici là (notamment, sur la prévision de taux de change).

Plan du mini-cours
- Présentation du cadre et des enjeux; définition du regret; 'gradient trick' et réduction à un cadre générique
- Algorithme par poids exponentiels: borne de performance, réglage séquentiel des vitesses d'apprentissage
- Prévision contre un environnement changeant
- Prévision randomisée
- Aperçu d'applications sur données réelles