Séminaires

Data Analytics & Machine Learning : De l’exploration au déploiement en production

Ville:
Grenoble
Lieu:
WTC
Date:
21 mars 2017
Heure:
08:30 – 12:45

Présentation

Aujourd’hui, un nombre croissant de données est collecté à partir d’objets connectés, de systèmes industriels et d’outils de surveillance environnementale. Dans ce contexte, les entreprises souhaitent exploiter ces données, notamment à l’aide des techniques de Machine Learning (apprentissage automatique), dans le but d’optimiser le fonctionnement de leur équipement ou celui de leurs clients, et ainsi se démarquer par leur offre de produits et de services.

Cependant, l’élaboration d’un tel système requiert des compétences très différentes, allant de l’expertise d’un data scientist à des connaissances approfondies en infrastructure IT.

Lors de ce séminaire gratuit d’une demi-journée, nous vous présenterons une solution pour faciliter la création de ces applications allant de l’accès aux données à la mise en production. Nous aborderons en particulier les thèmes suivants :

  • Introduction aux techniques de Machine Learning
  • Le workflow typique du Machine Learning
  • Développement de modèles prédictifs
  • Mise en production des applications développées sous MATLAB.
  • Illustration sur des cas d’étude réels : maintenance prédictive et prévision de la charge énergétique

Points forts

  • Découvrez un environnement complet pour le Data Analytics et le Machine Learning
  • Un workflow en action : des exemples d’application concrets dans MATLAB
  • Discutez avec les experts MathWorks de vos projets

Programme

Heure Thème
08:30 Accueil et enregistrement
09:00 Introduction

09:15 Témoignage du Groupe SOFRADIR et CGI
Industrialisation, accélération et rationalisation de la mise en production des algorithmes de caractérisation des produits du Groupe SOFRADIR avec MATLAB
09:30 Exemple 1 : Maintenance prédictive avec MATLAB : Application au pronostic
  • Introduction aux techniques de Machine Learning
  • Présentation du Workflow de Machine Learning
    • Accès et importation des données historiques issues de capteurs
    • Extraction des modèles de prédiction de défaillance
    • Déploiement de l’application pour une prédiction en temps réel
10:45 Pause
11:00 Exemple 2 : Développement et déploiement de modèles de prévision de la charge énergétique
  • Automatisation de l’accès à des données hétérogènes
  • Prétraitement et nettoyage des données
  • Développement de modèles précis en se basant sur les données agrégées
  • Mise en production du modèle sur un serveur d’application
12:30 Conclusion - Questions / Réponses
12:45 Cocktail