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