Modélisation neuronale du trafic conteneurs dans un hub portuaire méditerranéen
Aperçu
En quoi consiste ce défi.
Modélisez le trafic d’un hub portuaire en comparant ARIMA, feedforward et réseau temporel. Recevez votre certificat vérifiable.
Le brief
Ce que vous ferez, et ce que vous démontrerez.
Évaluer si un réseau de neurones apporte un gain de prévision significatif par rapport aux méthodes statistiques classiques pour le trafic conteneurs hebdomadaire, et recommander l'approche optimale en tenant compte du compromis performance-complexité pour un déploiement opérationnel.
Earning criteria — what you'll demonstrate
- Concevoir et entraîner des réseaux de neurones (feedforward et récurrent) pour la prévision de séries temporelles, en maîtrisant le choix de l'architecture et des fonctions d'activation
- Mettre en œuvre une démarche expérimentale rigoureuse avec journal de bord structuré, comparaison systématique d'hyperparamètres et évaluation sur données de test temporellement séparées
- Appliquer le cadre de sélection de modèle sous contraintes métier : arbitrer entre gain de précision et coût de déploiement, maintenance et interprétabilité
- Construire un pipeline de variables (feature pipeline) intégrant des données exogènes (cours de matières premières, indicateurs de fret) aux séries temporelles de trafic
- Communiquer des résultats de recherche appliquée à un double public : pairs techniques et décideurs opérationnels
Adéquation au programme
Où cela s'inscrit dans votre cursus.
Renforce les mêmes compétences que celles attendues par votre diplôme.
Cursus associés bientôt disponibles.
Compétences
Les compétences que vous démontrerez.
Chacune apparaît sur votre certificat vérifié.
Débouchés
Les métiers auxquels ce défi vous prépare.
De vrais intitulés. De vraies passerelles de compétences. Choisissez celui qui se rapproche le plus de votre trajectoire.
Les parcours de carrière que ce défi construit
Métiers de référenceIngénieur(e) en apprentissage automatique
Ce défi développe la capacité à concevoir, entraîner et évaluer des architectures neuronales sur des données temporelles réelles, compétence fondamentale pour un ingénieur ML en charge de systèmes prédictifs en production.
Ce défi renforce
- neural-networks
- hyperparameter-tuning
- feature-pipelines
Scientifique de recherche
La démarche expérimentale structurée avec journal de bord, la comparaison systématique d'architectures et la rédaction d'un rapport de recherche appliquée préparent directement au travail de chercheur en apprentissage automatique.
Ce défi renforce
- neural-networks
- feedforward-networks
- model-selection-under-business-constraints
Ingénieur(e) IA
L'intégration de données multisources dans un pipeline de variables et l'analyse du compromis déploiement-performance sont au cœur du métier d'ingénieur IA qui met en production des modèles d'apprentissage profond.
Ce défi renforce
- feature-pipelines
- neural-networks
- hyperparameter-tuning
Architecte de Données
La conception d'un pipeline de variables intégrant des données de trafic, de marché et de fret développe les compétences d'architecture de données nécessaires pour structurer des flux complexes en environnement opérationnel.
Ce défi renforce
- feature-pipelines
- feedforward-networks
- model-selection-under-business-constraints