Contactez-nous
  • Énergie
  • Intelligence artificielle
  • Analyse de données

Intelligence artificielle appliquée aux systèmes énergétiques

Mis à jour le

Responsable(s) : M. Issa JAFFAL

  • Cours + travaux pratiques
Code Cnam : ENT205-PAR
Téléchargez le PDF
  • Durée : 40 heures (+/- 10%)
  • A la carte
  • 4 crédits
  • Distanciel

Présentation

Public, conditions d'accès et prérequis

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)

Objectifs

  • 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 et débouchés

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.

Informations pratiques

Contact

  • Département : EPN01 - Énergétique
  • Tel : 01 40 27 21 65
  • Email : energie@cnam.fr
  • Adresse : 292 rue St Martin - 75003 Paris
Le Cnam - école de l'énergie
Logo Ecole numérique et IA Cnam
Par ses missions de formation, de recherche et de diffusion de la culture scientifique et technique, le Cnam est un acteur majeur de toutes les transitions : écologique, énergétique, numérique, économique, pédagogique, sociétale... Afin d'accompagner ces transitions, l'établissement propose des écoles thématiques pour mettre en lumière les expertises et proposer une offre de formation riche et pluridisciplinaire. Le Cnam a ainsi ouvert l'École des transitions écologiques, l'École de l'énergie, l'École de la santé et l'École du numérique et de l'intelligence artificielle.

Programme

Contenu

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

Formation mère

Intelligence artificielle appliquée aux systèmes énergétiques

Ces formations pourraient vous intéresser