Aller au menu Aller au contenu
Grenoble INP - UGA
Une formation multidisciplinaire
L'école d'ingénieurs pour l'énergie, l'eau et l'environnement
Une formation multidisciplinaire

> Formation > Cursus ingénieurs

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

A+Augmenter la taille du texteA-Réduire la taille du texteImprimer le documentEnvoyer cette page par mail cet article Facebook Twitter Linked In

  • Volumes horaires

    • CM : -
    • TD : -
    • TP : 50.0
    • Projet : -
    • Stage : -
    • DS : -
    Crédits ECTS : 5.0
  • Responsables : Vincent DEBUSSCHERE

Objectifs

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 énergétiques intelligents.

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.

Contenu

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)

Contrôles des connaissances

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

Si situation 100% distancielle
Evaluation rattrapable (ER): Projets
Evaluation non rattrapable (EN): Exercices et Comptes-rendus de laboratoire

---------------
Session de rattrapage
EN : Evaluation non rattrapable

Moyenne de l'UE = ER 60% + EN 40%

L'examen existe uniquement en anglais FR

Calendrier

Le cours est programmé dans ces filières :

cf. l'emploi du temps 2022/2023

Informations complémentaires

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

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

A+Augmenter la taille du texteA-Réduire la taille du texteImprimer le documentEnvoyer cette page par mail cet article Facebook Twitter Linked In

mise à jour le 3 septembre 2020

Université Grenoble Alpes