Intelligence artificielle appliquée aux systèmes énergétiques

Description

Introduction à l’analyse des données

• Prétraitement des données 
• Analyse exploratoire des données
• Visualisation et interprétation
• Réduction de dimension
• Analyse des séries temporelles
• Préparation des données pour la modélisation

Introduction au machine learning 

• Concepts fondamentaux : apprentissage supervisé et non supervisé, régression et classification, sous-apprentissage et surapprentissage
• Modèles : linéaires, réseaux de neurones, méthodes d’ensemble
• Optimisation d’hyperparamètres
• Évaluation des performances des modèles

Réseaux de neurones et deep learning 

• Notions de base : perceptrons, fonctions d’activation, réseaux profonds
• Architectures pour différents types de données : tabulaires, images, séries temporelles
• Entraînement des modèles : descente de gradient, régularisation, choix des hyperparamètres

Applications du machine learning 

• Régression et classification
• Clustering
• Modélisation des séries temporelles
• Détection d’anomalies

Interprétation des modèles 

• Importance des variables : SHAP, permutation importance
• Relations entre variables : PDP, interactions
• Interprétation globale et locale des modèles

Cas d’applications en énergétique

• Analyse de données issues de mesures ou de simulations numériques
• Prédiction de la consommation énergétique
• Clustering de systèmes énergétiques selon leur performance
• Détection d’anomalies dans les systèmes énergétiques
• Modélisation de séries temporelles à partir des données de capteurs

Finalité

• Acquérir les bases pour appliquer les méthodes d’intelligence artificielle aux systèmes énergétiques à partir de données réelles ou simulées.
• Développer la capacité à concevoir, entraîner et valider des modèles prédictifs de machine learning pour des applications énergétiques.
• Appréhender l’analyse des données et le machine learning pour comprendre, diagnostiquer et améliorer la performance des systèmes énergétiques.

Compétences visées

• Construire des chaines de traitement et d’analyse des données énergétiques.
• Concevoir, entraîner et optimiser des modèles de machine learning pour des applications énergétiques.
• Évaluer, comparer et interpréter les modèles développés.

Prérequis

• Bases en thermique et systèmes énergétiques
• Bases en mathématiques et statistiques appliquées 
• Programmation Python
• Notions d’analyse de données et de machine learning (recommandées)