« Les réseaux de neurones peuvent faire l’apprentissage de modèles grâce à une succession de fonctions linéaires et non-linéaires », Cityzen Data / IMT Bretagne
« 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
« Les réseaux de neurones peuvent faire l’apprentissage de modèles grâce à une succession de fonctions linéaires et non-linéaires », Cityzen Data / IMT Bretagne
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
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
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
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
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
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