Objectifs par rapport aux acquis d'apprentissage du programme

• Imaginer, concevoir, réaliser et exploiter des machines, des équipements et des procédés pour apporter une solution à un problème complexe de production, de conversion et de transmission d'énergie en intégrant les besoins, les contraintes, le contexte et les enjeux techniques, économiques, sociétaux, éthiques et environnementaux.
• Mettre en oeuvre une solution choisie sous la forme d'un dessin, d'un schéma, d'un diagramme ou d'un plan conforme aux normes, d'un modèle, d'un prototype, d'un logiciel et/ou d'une maquette numérique.
• Intégrer la gestion rationnelle de l'énergie.
• Évaluer la démarche et les résultats en vue de l'adaptation ou de l'optimisation de la solution proposée.
• Mobiliser un ensemble structuré de connaissances et de compétences scientifiques et de techniques spécialisées permettant de répondre, avec expertise et adaptabilité, aux missions de l'ingénieur civil en génie de l'énergie.
• Identifier et discuter des applications possibles des technologies nouvelles et émergentes dans le domaine de l'énergétique.
• Évaluer la validité des modèles et des résultats compte tenu de l'état de la science et des caractéristiques du problème.
• Planifier, gérer et mener à bien des projets compte tenu de leurs objectifs, ressources et contraintes, en assurant la qualité des activités et des livrables.
• Définir et cadrer le projet compte tenu de ses objectifs, ressources et contraintes.
• Travailler efficacement en équipe, développer son leadership, prendre des décisions dans des contextes multidisciplinaires, multiculturels et internationaux.
• Interagir efficacement avec d'autres acteurs pour mener à bien des projets communs dans des contextes variés (multidisciplinaires, multiculturels et internationaux).
• Communiquer et échanger des informations de manière structurée - oralement, graphiquement et par écrit, en français et dans une ou plusieurs autres langues - sur les plans scientifique, culturel, technique et interpersonnel, en s'adaptant au but poursuivi et au public concerné.
• Argumenter et convaincre, tant à l'oral qu'à l'écrit, vis-à-vis d'un client, d'un collègue, des enseignants et des jurys.
• Agir en professionnel responsable, faisant preuve d'ouverture et d'esprit critique, inscrit dans une démarche de développement professionnel autonome.
• Analyser son fonctionnement personnel et adapter ses attitudes professionnelles.
• Faire preuve d'ouverture et d'esprit critique en mettant en regard aspects techniques et enjeux non-techniques des problèmes analysés et des solutions proposées.
• Exploiter de manière critique les différents moyens mis à disposition pour se documenter et se former de manière autonome.
• Contribuer par un travail de recherche à la solution innovante d'une problématique en sciences de l'ingénieur.
• Communiquer, à l'écrit et à l'oral, sur la démarche et ses résultats en mettant en évidence tant les critères de de qualité scientifique de la recherche menée, que les potentialités d'innovation théoriques ou techniques et les possibles enjeux non techniques.

Acquis d'apprentissage de l'UE

Understand and identify the needs in terms of data analytics in modern energy systems.
Master data science technologies for data filtering, analysis and correlation within energy data systems
Master fundamentals of Machine Learning (supervised and unsupervised learning).
Implement and apply these techniques in Python to selected use-cases from the energy systems community.
Process energy data represented with temporal series by machine learning models.

Use the presented approaches like guides and implement them to find a solution to a given problem (case study) in data analysis for energy systems.

Contenu de l'UE : descriptif et cohérence pédagogique

AA ‘Machine Learning and Data Analysis for Energy Systems':
Needs in terms of data analysis in modern energy systems
Data Analysis and filtering
Supervised learning: polynomial regression, classification (logistic regression), model selection and diagnosis (bias-variance trade-off, cross-validation, regularization), introduction to advanced models (neural networks: the MultiLayer Perceptron, etc.),
Unsupervised learning: clustering (K-means, evaluation of partitions), Principal Component Analysis
Application of the concepts on energy use-cases, using the Python programming language.

Theoretical lectures are punctuated by examples that present concrete cases of application and/or are the object of reflection allowing critical analysis of the methods presented through question and answer exchanges with the students.

The practical sessions are designed to develop critical analysis skills. The protocols present the studies to be carried out and the tools for doing so, in the form of a prepared computer code structure, to be modified according to the analysis paths to be chosen proactively, justified by appropriate questioning and then validated by the results obtained. This requires students to be up to date with the material covered in the course.

AA ‘Deep Learning for Energy Systems and Time Series':
Introduction and presentation of deep neural networks ;
Basics and types of recurrent neural networks (RNN, LSTM, GRU, etc.) ;
Optimization and regularization techniques of deep neural networks and RNNs ;
Evaluation metrics of recurrent neural networks.

Compétences préalables

Fundamentals of Statistics