logo
2.12.19 (785)

Cours scientifiques - MEC_51057_EP : Apprentissage Automatique pour le climat et l'énergie

Descriptif

English below: La quantité de données produites dans les sciences de l'environnement (énergie et climat) ouvre la voie à de nouvelles applications. Bien que les méthodes statistiques traditionnelles restent essentielles, les méthodes avancées d'apprentissage automatique sont de plus en plus nécessaires pour donner un sens aux megadonnées, que ce soit pour les analyser ou pour faire des prédictions. L'un des objectifs de l'apprentissage automatique est d'extraire des modèles identifiables de ces ensembles de données complexes. Ces modèles peuvent ensuite être utilisés pour prendre des décisions réfléchies. Un autre objectif est de modéliser les relations entre différentes variables, puis d'utiliser ces modèles pour prédire une variable à partir d'informations sur l'autre. Exemple de jeux de données : - Si nous voulons optimiser la performance énergétique d'un bâtiment, nous pouvons placer des capteurs à différents endroit du bâtiment qui noud donneront une bonne vision - Le GIEC fournit des prévisions de la température moyenne pour les 100 prochaines années. prochaines années. Ces prévisions sont basées sur environ 30 prévisions réalisées par des modèles complexes. L'apprentissage automatique permet de repérer des modèles dans ce jeux de données. **LIEN AVEC LES OBJECTIFS DE DEVELOPPEMENT DURABLE (ODD)** - **ODD 7** : Garantir l'accès à une énergie abordable, fiable, durable et moderne pour tous - **ODD 13** : Prendre des mesures urgentes pour lutter contre le changement climatique et ses conséquences **Comment ce cours prend-il en compte ces ODD ?** L'objectif de ce cours est d'acquérir les bases de l'apprentissage automatique afin d'appliquer ces méthodes à des problèmes liés à la science du climat et à l'étude des systèmes énergétiques. Ces deux thématiques sont liées du fait que la consommation d'énergie et la production d'énergie renouvelable sont directement affectées par les conditions météorologiques et les changements climatiques à long terme. Les systèmes climatique et énergétique partage donc des propriétés communes telles qu'être complexe, être étendu dans l'espace et variable. Par ailleurs, leur étude traite en particulier de l'extraction d'informations à partir de jeux de données volumineux. Ainsi, bien que ce ne soit pas l'objectif principal de ce cours, les étudiants apprennent des méthodes qui peuvent s'avérer utiles pour améliorer notre compréhension du système climatique et de son interaction avec les sociétés et pour aider à gérer les systèmes énergétiques avec une plus grande part d'énergies renouvelables variables. L'objectif de ce cours est de fournir une introduction à l'apprentissage automatique afin d'aider les étudiants à appliquer des méthodes pertinentes pour analyser des jeux de données spécifiques. Nous aborderons différentes famille de méthodes supervisées et non supervisées, tout en fournissant une approche générale pour valider et tester les résultats. Nous encourageons les étudiants à développer leur esprit critique lorsqu'ils sont confrontés à un nouveau jeu de données et qu'ils appliquent un méthode afin de tirer des conclusions fiables. Nous illustrons ce cours avec des exemples en sciences de l'environnement. Ces jeux de données correspondent à des cas concrets d'analyse présentés sous forme de notebook IPhthon. **PREREQUIS** - Analyse de données élémentaire en Python avec - Algèbre linéaire () - Eléments de probabilités et de statistiques () **MODALITES D'EVALUATION** - 25% participation (petits QCM en début de cours) - 25% exercice de codage et d'analyse et questions de cours à mi-semestre - 50% présentation finale avec notebook final et implication dans le projet. **LANGUE** Anglais **COURSE PHILOSOPHY** The amount of data produced in environmental sciences (energy and climate) paves the way to new applications. While traditionnal statistical methods are still essential, advanced machine-learning methods are more and more needed to make sense of big data, whether for analysis or to make predictions. One goal of machine learning is to extract identifiable patterns from these complex data sets. These patterns can then be used to take informed decisions. Another is to model relationships between different variables and then use these models to predict one variable from information of the other. Examples of such big data sets are: - If we want to optimize the energy performance of a building, we can set sensors in different places of the building that will give us a good overview of the energy consumption and energy loss. Analyzing such data set with machine learning will help us predict or optimize our energy consumption. - The IPCC provides forecast of the average temperature for the next 100 years. This forecast is based on about 30 different predictions made by complex models. Machine learning provides a way to track reliable patterns in this complex data set. The objective of this course is to provide an introduction to machine learning in order to help the students apply relevant methods to analyze specific data sets. Different families of unsupervised and supervised methods will be covered, while also providing a general approach to validate and test results. We encourage students to develop their critical thinking skills when facing a new dataset and applying a method in order to draw robust conclusions. We illustrate this course with examples from environmental sciences. These datasets correspond to concrete cases of analysis presented in the form of ipython notebooks. **COURSE LINK TO N (SDGs)** This course allows students to acquire knowledge prior to approaching the following SDGs and deals with an area related to these SDGs: - **SDG 7:** Ensure access to affordable, reliable, sustainable and modern energy for all - **SDG 13:** Take urgent action to combat climate change and its impacts **How does the course take these SDGs into account?** The aim of this course is to acquire the fundamentals of machine learning in order to apply these methods to problems in climate science and energy systems studies. These two topics are related since energy consumption and renewable energy production are directly affected by meteorological conditions and their long term climatic change. Climate and energy systems thus share common properties such as being complex, spatially extended and variable. Furthermore, their study involves in particular extracting information from big datasets. Thus, while not the main focus of this class, students learn methods that can prove useful in improving our understanding of the climate system and its interaction with societies and in helping manage energy systems with larger shares of variables renewable energies. **PREREQUISITES** - Elementary data analysis in Python with numpy, pandas and matplotlib, - Linear algebra (linear systems, inverse, eigenvalues and eigenvectors), - Elements of probabilities and statistics (probability distribution and density, random variable, conditional expectation, variance, covariance, sample estimates). **GRADING POLICY** - 25% participation (short in-class MCQs at beginning of class), - 25% mid-course coding and analysis exercise and course questions, - 50% final presentation including final notebook and involvment in project. **LANGUAGE** English

Objectifs pédagogiques

English below: - Acquérir les bases théoriques (Mathématiques appliquées et statistique) pour comprendre l'apprentissage automatique. - Comprendre les différentes famille de méthodes supervisées et non supervisées - Capacité de mettre en applications ces méthodes pertinentes pour analyser des jeux de données spécifiques au climat et à l'énergie. - Capacité de développer l'esprit critique afin de tirer des conclusions fiables. - Acquire the theoretical foundations (applied mathematics and statistics) for understanding machine learning. - Understand the different families of supervised and unsupervised methods. - Ability to apply these relevant methods to analyse datasets specific to climate and energy. - Ability to develop critical thinking skills to draw reliable conclusions.

36 heures en présentiel

Parcours de rattachement

Format des notes

Numérique sur 20

Programme détaillé

**English below:** **COURS** 1. Introduction générale et bases de Python 2. Problème de l'apprentissage supervisé 3. Méthode des moindres carrés ordinaire 4. Surapprentissage/sous-apprentissage et dilemme biais-variance 5. Régularisation, sélection et évaluation des modèles 6. Classification I : Modèles génératifs 7. Apprentissage non supervisé avec un intérêt particulier pour l'analyse en composantes principales 8. Introduction aux réseaux neuronaux **TD** Après chaque classe d'environ 45 minutes, les étudiants travaillent sur un TD pendant environ 45 minutes où ils vont coder des applications sur de réelles données, analyser et discuter des résultats. Les professeurs assistent pendans les TD et font en sorte que tous les étudiants soient en mesure de réaliser les objectfs des TD. **PROJETS** Les étudiants choisissent, par groupe de deux, des projets basés sur des applications sur des problèmes environnementaux. L'objectif de ces projets est d'appliquer la méthodologie de l'apprentissage statistique depuis le traitement des données d'entrée jusqu'à l'évaluation des capacités de prédiction d'un modèle. Le but est de maîtriser de l'approche globale plutôt que d'appliquer les modèles les plus sophistiqués. **SUPPORT TECHNIQUE** Tous les exemples, TD et projets sont basés sur la bibliothèque Python Scikit-Learn. Les étudiants sont donc invités à coder en Python, mais ils n'est pas nécessaire d'avoir des connaissances en Scikit-Learn pour suivre ce cours (voir Pré-requis). Les étudiants travaillent soit sur un JupyterHub, un ordinateur de l'Ecole, ou sur leur ordinateur personnel. Notez que l'utilisation d'outil d'IA générative tel que ChatGPT est prohibée pour l'ensemble de l'enseignement et de l'examen. **COURSE TOPICS** 1. General Introduction and Python Basics 2. Supervised Learning Problem 3. Ordinary Least Squares 4. Overfitting/Underfitting and Bias/Variance Decomposition 5. Regularization, Model Selection and Evaluation 6. Classification I: Generative models 7. Unsupervised Learning with a Focus on Principal Component Analysis 8. Introduction to Neural Networks **TUTORIALS** After each course session of about 45 min, the students work on a tutorial for about 45 min during which they code the applications on real data, analyse the results and discuss them. The professors assist the students during the tutorials and make sure that all students are able to achieve the objectives of the tutorials. **PROJECTS** Students by groups of two choose projects based on applications to environmental problems. The objective of the projects is to apply the statistical learning methodology from processing the intput data to evaluating the prediction skills of a model. The focus is on mastering the overall approach rather than on applying the most sophisticated models. **TECHNICAL SUPPORT** All examples, tutorials and projects are based on the scikit-learn Python package. The students are thus asked to code in Python, but they do not need to be skilled in scikit-learn to join the course (see Prerequisites). Students work either on a JupyterHub (priority), a school computer or on their personal laptop. Note that the use of generative AI tools such as ChatGPT is prohibited for all the course and exam.

Mots clés

Climat, Apprentissage Automatique

Méthodes pédagogiques

Projets, Notebooks Python
Veuillez patienter