Les réseaux de neurones profonds ont révolutionné l'apprentissage machine, en remodelant complétement des disciplines en à peine une décennie. Des disciplines comme la vision par ordinateur, pour laquelle les réseaux de neurones profonds ont complètement remplacé les approches existantes à base de descripteurs calculés ‘à la main’. Par exemple, à la date de rédaction du présent manuscrit (fin 2021), l'approche la plus simple à laquelle on puisse penser pour extraire des descripteurs d'une image RVB est d'utiliser un réseau de neurones pré-entraîné sur le jeu de données ImageNet. Plus généralement, dans ces domaines populaires, il existe une quantité de travaux, bonnes pratiques, et modèles pré-entraînés accessibles en quelques lignes de code Python. Cependant, tous les problèmes ne sont pas aussi bien couverts que la vision par ordinateur. 

Dans certains cas (comme chez l'entreprise chez laquelle j'étais), un seul laboratoire peut avoir à traiter des signaux provenant de multiples capteurs (accéléromètres, capteurs de contrainte, signaux GPS ou physiologiques), en l'espace de quelques mois. Pour bon nombre de ces problèmes peu couverts, l'utilisation de réseaux de neurones profonds exige un travail considérable: type de prétraitement, choix des hyperparamètres, choix d'un encodage, ou même choix du capteur, selon le problème. Nous nous proposons de prendre la place d'un praticien et de passer en revue les choix qui se présentent avant d'utiliser les réseaux de neurones avec des signaux temporels. À chaque fois, nous donnerons des indications sur la meilleure décision à prendre, en fonction de nos conclusions et/ou de la littérature. 
Si nos travaux se concentrent sur la détection du mode de transport, nous utiliserons la littérature pour savoir si nos conclusions l'appliquent uniquement à notre problème, ou si les affirmations se généralisent bien.