Dans cet article, nous proposons une nouvelle approche pour analyser des données de séries chronologiques de grande dimension et détecter les valeurs aberrantes et les anomalies, appelée « Apprentissage par Surprise » (LvS). Nous constatons que les techniques existantes peinent à analyser efficacement en raison de problèmes tels que la haute dimensionnalité, les distributions complexes et la parcimonie. Nous nous inspirons donc du concept de « surprise », une façon humaine de prêter attention aux écarts inattendus. LvS quantifie et hiérarchise les anomalies dans les données de séries chronologiques en quantifiant et en hiérarchisant les écarts par rapport aux comportements attendus. Nous appliquons LvS à trois données de séries chronologiques de grande dimension : les données de capteurs, les données mondiales sur les causes de décès et les discours présidentiels américains, et démontrons qu'elle permet d'identifier efficacement et de manière interprétable les valeurs aberrantes, les anomalies et les caractéristiques les plus volatiles. LvS relie les théories des sciences cognitives et les méthodes informatiques pour offrir une nouvelle façon de détecter les anomalies et les changements tout en préservant le contexte.