La R&D d'EDF propose une formation aux méthodes GAM (Generalized Additive Models) suivie de plusieurs exposés d’applications du Machine Learning à des problématiques climatiques le jeudi 19 octobre 2023 à EDF Lab Paris-Saclay. Une journée co-organisée avec le réseau français d'ENBIS. Inscription obligatoire, lien en bas de l'article.
Méthodes GAM ?
Les modèles GAM (Generalized Additive Models ou Modèle Additif Généralisé) sont des outils très utilisés dans de nombreux champs d'application des statistiques : médecine, météo, énergie, biologie, linguistique, ingénierie...
Le principe est de décomposer une quantité (consommation, production…) en une somme d'effets de variables explicatives (météo, calendrier…).
Ces modèles présentent l'intérêt d'être interprétables tout en garantissant de bonnes performances prédictives.
Usage des méthodes GAM à EDF
Des méthodes utilisées à EDF pour les questions de prévision de consommation électrique, de production d’Énergies Renouvelables ou de prix.
Les outil open source mgcv, qGAM et mgcViz développés pour cela en partenariat avec l'Université de Bristol vous seront présentés lors de cette journée.
Le programme de la journée
- Une matinée de formation aux méthodes GAM animée par Mattéo Fasiolo - Chercheur à l'université de Bristol et auteur des packages R qGAM et mgcViz
- Une après-midi consacrée à des exposés émanant de l’industrie, de start-ups et d’académiques autour d’applications de l'apprentissage machine au climat :
Cette action de la R&D s'inscrit dans le souhait de promouvoir la statistique et les méthodes d’apprentissage machine au sein des entreprises et de l’industrie.
Pour vous inscrire cliquez ici.
Le Machine Learning, c'est quoi ?
Le Machine Learning ou apprentissage automatique est un domaine scientifique, et plus particulièrement une sous-catégorie de l’intelligence artificielle. Elle consiste à laisser des algorithmes découvrir des » patterns « , à savoir des motifs récurrents, dans les ensembles de données. Ces données peuvent être des chiffres, des mots, des images, des statistiques… Tout ce qui peut être stocké numériquement peut servir de données pour le Machine Learning. En décelant les patterns dans ces données, les algorithmes apprennent et améliorent leurs performances dans l’exécution d’une tâche spécifique.