Le document traite des applications de l'apprentissage profond dans l'analyse des données énergétiques en expliquant les types de données, leur stockage et manipulation. Il aborde notamment la régression de performance énergétique et la prédiction de consommation à l'aide de différents modèles comme les réseaux neuronaux et les arbres de décision. L'utilisation de Warpscript pour gérer les flux de données massifs est également présentée, ainsi que les principes d'apprentissage et les techniques de prétraitement.

1. Deep learning et donn´ees
d’´energie

2. Plan
1 Type de donn´ees
2 Stockage et Manipulation
3 Deep Learning : principes
4 R´egression de la performance ´energ´etique
5 Pr´ediction de la consommation d’´energie
6 Impl´ementation
2/26jc

3. Sommaire
1 Type de donn´ees
2 Stockage et Manipulation
3 Deep Learning : principes
4 R´egression de la performance ´energ´etique
5 Pr´ediction de la consommation d’´energie
6 Impl´ementation
3/26jc

4. Donn´ees issues d’objets connect´es
4/26jc

5. Donn´ees issues de capteurs
5/26jc

6. Donn´ees issues de machines
6/26jc

7. Time Series et Geo Time Series
7/26jc

8. Sommaire
1 Type de donn´ees
2 Stockage et Manipulation
3 Deep Learning : principes
4 R´egression de la performance ´energ´etique
5 Pr´ediction de la consommation d’´energie
6 Impl´ementation
8/26jc

9. Warp 10
Base de donn´ees adapt´ee `a des flux massifs de donn´ees
D´eployable en standalone ou sur une architecture distribu´ee
Hautes performances d’ingestion : de l’ordre de 100 000 `a plus d’1 million de
donn´ees/sec
Langage de requˆetage d´edi´e : Warpscript
Interface de visualisation : Quantum
Protection des donn´ees
9/26jc

10. Warpscript
10/26jc

11. Warpscript
Requˆetage : r´ecup´eration des donn´ees
Manipulation `a la vol´ee
Algorithmes ex´ecut´es cˆot´e serveurs
Plus de 600 fonctions adapt´ees aux Geo Time Series
11/26jc

12. Sommaire
1 Type de donn´ees
2 Stockage et Manipulation
3 Deep Learning : principes
4 R´egression de la performance ´energ´etique
5 Pr´ediction de la consommation d’´energie
6 Impl´ementation
12/26jc

13. Inspiration biologique
13/26jc

14. Apprentissage
14/26jc

15. Apprentissage
14/26jc

16. Apprentissage
14/26jc

17. Apprentissage
14/26jc

18. Apprentissage
14/26jc

19. Apprentissage
14/26jc

20. Apprentissage
14/26jc

21. Sommaire
1 Type de donn´ees
2 Stockage et Manipulation
3 Deep Learning : principes
4 R´egression de la performance ´energ´etique
5 Pr´ediction de la consommation d’´energie
6 Impl´ementation
15/26jc

22. Perceptron Multi-couches (MLP)
Input x Output y
y = f4 (W4 · f3 (W3 · f2 (W2 · f1 (W1 · x))))
16/26jc

23. Perceptron Multi-couches (MLP)
Input x Output y
y = f4 (W4 · f3 (W3 · f2 (W2 · f1 (W1 · x))))
16/26jc

24. Perceptron Multi-couches (MLP)
Input x Output y
y = f4 (W4 · f3 (W3 · f2 (W2 · f1 (W1 · x))))
16/26jc

25. Perceptron Multi-couches (MLP)
Input x Output y
y = f4 (W4 · f3 (W3 · f2 (W2 · f1 (W1 · x))))
16/26jc

26. Perceptron Multi-couches (MLP)
Input x Output y
y = f4 (W4 · f3 (W3 · f2 (W2 · f1 (W1 · x))))
16/26jc

27. Perceptron Multi-couches (MLP)
Input x Output y
y = f4 (W4 · f3 (W3 · f2 (W2 · f1 (W1 · x))))
16/26jc

28. Perceptron Multi-couches (MLP)
Input x Output y
y = f4 (W4 · f3 (W3 · f2 (W2 · f1 (W1 · x))))
16/26jc

29. Perceptron Multi-couches (MLP)
Input x Output y
y = f4 (W4 · f3 (W3 · f2 (W2 · f1 (W1 · x))))
16/26jc

30. Perceptron Multi-couches (MLP)
Input x Output y
y = f4 (W4 · f3 (W3 · f2 (W2 · f1 (W1 · x))))
16/26jc

31. Perceptron Multi-couches (MLP)
Input x Output y
y = f4 (W4 · f3 (W3 · f2 (W2 · f1 (W1 · x))))
16/26jc

32. Perceptron Multi-couches (MLP)
Input x Output y
y = f4 (W4 · f3 (W3 · f2 (W2 · f1 (W1 · x))))
Non-linearit´es
16/26jc

33. Perceptron Multi-couches (MLP)
Input x Output y
y = f4 (W4 · f3 (W3 · f2 (W2 · f1 (W1 · x))))
Param`etres
16/26jc

34. R´egression : Performance ´energ´etique
17/26jc

35. Preprocessing et Feature engineering
18/26jc

36. Sommaire
1 Type de donn´ees
2 Stockage et Manipulation
3 Deep Learning : principes
4 R´egression de la performance ´energ´etique
5 Pr´ediction de la consommation d’´energie
6 Impl´ementation
19/26jc

37. Recurrent neural network (RNN)
20/26jc

38. Recurrent neural network (RNN)
20/26jc

39. Recurrent neural network (RNN)
20/26jc

40. Long Short Term Memory (LSTM)
21/26jc

41. Pr´ediction : Consommation d’´energie
22/26jc

42. Sommaire
1 Type de donn´ees
2 Stockage et Manipulation
3 Deep Learning : principes
4 R´egression de la performance ´energ´etique
5 Pr´ediction de la consommation d’´energie
6 Impl´ementation
23/26jc

43. Deep Learning avec Warpscript
24/26jc

44. Autres outils d’analyse avec Warpscript
Gradient Boosted Trees
Sax, bSax, repr´esentations symbolique
Support Vector Machine
t-distributed stochastic neighbor embedding
Bayesian Network
Statistiques
...
25/26jc

45. Merci pour votre attention
26/26jc