Ense3 - rubrique formation - cursus

Machine Learning and Optimization (toutes filières / M2-SGB / parcours numérique) - 5EU9MLO0

  • Volumes horaires

    • CM -
    • Projet -
    • TD -
    • Stage -
    • TP 50.0
    • DS -

    Crédits ECTS

    Crédits ECTS 5.0

Objectif(s)

L'objectif du cours est de fournir une compréhension globale de la théorie et de la pratique de l'apprentissage automatique, principalement dans le domaine des systèmes d'énergie intelligents, comme les bâtiments. L'applicatif est en effet la gestion optimale de l'énergie dans ce contexte.

À la fin du module, les étudiants sont capables de:

  • Comprendre les principes fondamentaux des algorithmes d'apprentissage automatique (error-based, similarity-based, probability-based and information-based learning algorithms.)
  • Sélectionner et mettre en œuvre des méthodes d'apprentissage automatique adaptées aux applications considérées.
  • Travailler avec des ensembles de données du monde réel (analyser, comprendre, prédire, prescrire) à l'aide d'outils de science des données et d'intelligence artificielle.

Responsable(s)

Vincent DEBUSSCHERE

Contenu(s)

Partie BE

1) Introduction au machine learning
2) Supervised learning (classification regression)
3) Unsupervised Learning (Clustering)
4) Data Analysis (Pandas-Python)
5) Projet: Estimation occupancy & Load forecasting

Partie TP

1) Discovery of database and visualization of data (InfluxDB, Grafana)
2) Analysis of data provided by a real home automation (ExpeSmartHouse)

Prérequis

  • Expérience en programmation Python (Numpy, Pandas et Matplotlib)

Contrôle des connaissances

  • Crédits spécifiques : ce cours compte pour 3.0 ECTS pour les étudiants en Master 2 Sciences in Electrical Engineering for Smart Grids and Buildings (M2 SGB)
  • Session normale / First session
    Evaluation rattrapable (ER) / ER assessment: Projet ML
    Evaluation non rattrapable (EN) / EN assessment : Exercices et Comptes-rendus de laboratoire (ML et Optimisation) / exercices and lab reports

Si situation 100% distancielle / If remote situation:
Evaluation rattrapable (ER) / ER assessment: Projets
Evaluation non rattrapable (EN) / EN assessment : Exercices et Comptes-rendus de laboratoire / exercices and lab reports
---------------
Session de rattrapage / Second session
Evaluation non rattrapable (EN) / EN assessment

Moyenne de l'UE = EN 100%

L'examen existe uniquement en anglais FR

Calendrier

Le cours est programmé dans ces filières :

cf. l'emploi du temps 2024/2025

Informations complémentaires

Code de l'enseignement : 5EU9MLO0
Langue(s) d'enseignement : FR

Vous pouvez retrouver ce cours dans la liste de tous les cours.

Bibliographie

Warwick, Kevin, Arthur Ekwue, and Raj Aggarwal, eds. Artificial intelligence techniques in power systems. No. 22. Iet, 1997.