Post on 12-Apr-2017
Deep learning et donneesd’energie
Plan
1 Type de donnees
2 Stockage et Manipulation
3 Deep Learning : principes
4 Regression de la performance energetique
5 Prediction de la consommation d’energie
6 Implementation
2/26jc
Sommaire
1 Type de donnees
2 Stockage et Manipulation
3 Deep Learning : principes
4 Regression de la performance energetique
5 Prediction de la consommation d’energie
6 Implementation
3/26jc
Donnees issues d’objets connectes
4/26jc
Donnees issues de capteurs
5/26jc
Donnees issues de machines
6/26jc
Time Series et Geo Time Series
7/26jc
Sommaire
1 Type de donnees
2 Stockage et Manipulation
3 Deep Learning : principes
4 Regression de la performance energetique
5 Prediction de la consommation d’energie
6 Implementation
8/26jc
Warp 10
I Base de donnees adaptee a des flux massifs de donnees
I Deployable en standalone ou sur une architecture distribuee
I Hautes performances d’ingestion : de l’ordre de 100 000 a plus d’1 million dedonnees/sec
I Langage de requetage dedie : Warpscript
I Interface de visualisation : Quantum
I Protection des donnees
9/26jc
Warpscript
10/26jc
Warpscript
I Requetage : recuperation des donnees
I Manipulation a la volee
I Algorithmes executes cote serveurs
I Plus de 600 fonctions adaptees aux Geo Time Series
11/26jc
Sommaire
1 Type de donnees
2 Stockage et Manipulation
3 Deep Learning : principes
4 Regression de la performance energetique
5 Prediction de la consommation d’energie
6 Implementation
12/26jc
Inspiration biologique
13/26jc
Apprentissage
14/26jc
Apprentissage
14/26jc
Apprentissage
14/26jc
Apprentissage
14/26jc
Apprentissage
14/26jc
Apprentissage
14/26jc
Apprentissage
14/26jc
Sommaire
1 Type de donnees
2 Stockage et Manipulation
3 Deep Learning : principes
4 Regression de la performance energetique
5 Prediction de la consommation d’energie
6 Implementation
15/26jc
Perceptron Multi-couches (MLP)
Input x Output y
y = f4 (W4 · f3 (W3 · f2 (W2 · f1 (W1 · x))))
16/26jc
Perceptron Multi-couches (MLP)
Input x Output y
y = f4 (W4 · f3 (W3 · f2 (W2 · f1 (W1 · x))))
16/26jc
Perceptron Multi-couches (MLP)
Input x Output y
y = f4 (W4 · f3 (W3 · f2 (W2 · f1 (W1 · x))))
16/26jc
Perceptron Multi-couches (MLP)
Input x Output y
y = f4 (W4 · f3 (W3 · f2 (W2 · f1 (W1 · x))))
16/26jc
Perceptron Multi-couches (MLP)
Input x Output y
y = f4 (W4 · f3 (W3 · f2 (W2 · f1 (W1 · x))))
16/26jc
Perceptron Multi-couches (MLP)
Input x Output y
y = f4 (W4 · f3 (W3 · f2 (W2 · f1 (W1 · x))))
16/26jc
Perceptron Multi-couches (MLP)
Input x Output y
y = f4 (W4 · f3 (W3 · f2 (W2 · f1 (W1 · x))))
16/26jc
Perceptron Multi-couches (MLP)
Input x Output y
y = f4 (W4 · f3 (W3 · f2 (W2 · f1 (W1 · x))))
16/26jc
Perceptron Multi-couches (MLP)
Input x Output y
y = f4 (W4 · f3 (W3 · f2 (W2 · f1 (W1 · x))))
16/26jc
Perceptron Multi-couches (MLP)
Input x Output y
y = f4 (W4 · f3 (W3 · f2 (W2 · f1 (W1 · x))))
16/26jc
Perceptron Multi-couches (MLP)
Input x Output y
y = f4 (W4 · f3 (W3 · f2 (W2 · f1 (W1 · x))))
Non-linearites
16/26jc
Perceptron Multi-couches (MLP)
Input x Output y
y = f4 (W4 · f3 (W3 · f2 (W2 · f1 (W1 · x))))
Parametres
16/26jc
Regression : Performance energetique
17/26jc
Preprocessing et Feature engineering
18/26jc
Sommaire
1 Type de donnees
2 Stockage et Manipulation
3 Deep Learning : principes
4 Regression de la performance energetique
5 Prediction de la consommation d’energie
6 Implementation
19/26jc
Recurrent neural network (RNN)
20/26jc
Recurrent neural network (RNN)
20/26jc
Recurrent neural network (RNN)
20/26jc
Long Short Term Memory (LSTM)
21/26jc
Prediction : Consommation d’energie
22/26jc
Sommaire
1 Type de donnees
2 Stockage et Manipulation
3 Deep Learning : principes
4 Regression de la performance energetique
5 Prediction de la consommation d’energie
6 Implementation
23/26jc
Deep Learning avec Warpscript
24/26jc
Autres outils d’analyse avec Warpscript
I Gradient Boosted Trees
I Sax, bSax, representations symbolique
I Support Vector Machine
I t-distributed stochastic neighbor embedding
I Bayesian Network
I Statistiques
I ...
25/26jc
Merci pour votre attention
26/26jc