Intelligence artificielle appliquée aux systèmes énergétiques
ENT205
Objectifs pédagogiques :
- 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.
Public et conditions d'accès :
- Bases en thermique et systèmes énergétiques
- Bases en mathématiques et statistiques appliquées
- Programmation Python
- Notions d'analyse de données et de machine learning (recommandées)
Compétences :
- 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.
Contenu de la formation :
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
Cette UE apparaît dans les diplômes et certificats suivants :
- CYC8500A : Diplôme d'ingénieur Spécialité Énergétique
