FDST2019 : Apprentissage à partir de flux de données et séries temporelles : convergences, spécificités et défis partagés
Cela implique des traitements spécifiques dans la mesure où la prise de décision est en général décidée à partir d’une information partielle, susceptible d’évoluer au cours du temps (concept drift), en tenant compte d’un historique difficile à délimiter, pouvant par ailleurs être multi-échelle en fonction de la nature des dépendances temporelles qui caractérisent les processus générateurs des données. Des analogies et des divergences caractérisent donc les deux champs disciplinaires qui recouvrent le traitement des flux de données et celui des séries temporelles.