تحليل السلاسل الزمنية هو مجال من مجالات علوم البيانات يهتم بتحليل التسلسلات القيمية المرتبة زمنيًا. تمثل السلاسل الزمنية موضوعًا مثيرًا للاهتمام بشكل خاص لأنها تتيح لنا رؤية وتفسير تطور عملية معينة عبر الزمن. ويمكن من خلال تحليلها الكشف عن الاتجاهات والعلاقات والتشابهات المتوفرة في البيانات. توجد العديد من المجالات التي تحتوي على بيانات على شكل سلاسل زمنية، مثل الرعاية الصحية (مثل تخطيط القلب، ومستويات السكر في الدم)، وتمييز النشاطات، والاستشعار عن بعد، والمالية (أسعار أسواق الأسهم)، والصناعة (أجهزة الاستشعار)، وغيرها. يُعد تصنيف السلاسل الزمنية عملية تتمثل في بناء خوارزميات مخصصة لتصنيف البيانات الزمنية تلقائيًا. ونظرًا للبعد التسلسلي المميز للبيانات الزمنية، يتطلب تطوير خوارزميات قادرة على استغلال هذه الخاصية الزمنية، مما يجعل النماذج الحالية للتعلم الآلي الجاهزة للبيانات الجدولية التقليدية غير ملائمة تمامًا لحل المهمة الأساسية. وفي هذا السياق، برز التعلم العميق في السنوات الأخيرة كواحدة من أكثر الطرق فعالية في معالجة مهام التصنيف المراقب، خصوصًا في مجال الرؤية الحاسوبية. كان الهدف الرئيسي من هذه الأطروحة هو دراسة وتطوير شبكات عصبية عميقة مصممة خصيصًا لتصنيف البيانات الزمنية. وقد قمنا بذلك بإجراء أول دراسة تجريبية شاملة على نطاق واسع، تسمح بمقارنة الطرق العميقة الحالية ووضعها مقارنة بالأساليب الرائدة الأخرى التي لا تعتمد على التعلم العميق. وبعدها، قدمنا العديد من المساهمات في هذا المجال، وخصوصًا في سياق التعلم المن転 (Transfer Learning)، وتكبير البيانات (Data Augmentation)، ودمج النماذج (Ensembling)، والهجمات الخبيثة (Adversarial Attacks). وأخيرًا، قمنا بطرح معمارية جديدة تعتمد على الشبكة الشهيرة Inception (من جوجل)، والتي تُعد من أكثر المعماريات كفاءة حتى تاريخه.