« Les réseaux de neurones peuvent faire l’apprentissage de modèles grâce à une succession de fonctions linéaires et non-linéaires » Intervention de Jean-Charles Vialatte, doctorant Cityzen Data / IMT Bretagne dans le cadre du Living Things "Intelligence artificielle dans les systèmes IoT : quelles innovations pour l'environnement?", le 15 mars 2017

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