Abstract:
Ce projet s'intéresse à la détection d'anomalies dans les séries temporelles, un enjeu majeur dans les secteurs sensibles comme l'énergie, la finance ou la cyber sécurité. Plusieurs méthodes ont été étudiées, allant des approches statistiques (Z-Score, IQR) aux techniques de prévision (ARIMA, lissage exponentiel) et demachine learning (Isolation Forest, One-Class SVM). Les expérimentations, menées sur le jeu de données A1Benchmark, ont révélé qu'aucune méthode seule n'était capable d'allier haute précision et bon rappel.
Pour pallier cette limite, une stratégie hybride combinant le One-Class SVM et la Régression Linéaire a été proposée, permettant une amélioration notable du F1-score. Ce travail a été finalisé par le développement d'un logiciel d'analyse et de détection d'anomalies, traduisant les résultats obtenus en un outil pratique et réutilisable. Cette contribution ouvre la voie à des solutions plus performantes et applicables en entreprise.
