Smart building : développer des services innovants avec les données du bâtiment et du quartier connecté et les outils Python

Appréhender et comprendre les tenants et aboutissants du bâtiment intelligent

• Principes, enjeux et acteurs du smart building ;
• Les applications aujourd’hui et demain ;
• Des variantes et exemples de smart building sur les cinq continents ;
• Les technologies et outils du smart building.

Acquérir les fondamentaux de la science des données et du machine learning (ML)

• Le positionnement du ML dans le périmètre de la science des données et de l’IA ;
• Les grandes catégories de ML et familles de modèles ;
• Exemples d’applications du ML dans l’espace construit ;
• Le processus d’une étude de ML et les principales étapes ;
• Limites du ML, avantages/inconvénients par rapport à d’autres approches.

Connaître les outils Python pour la science des données et savoir les choisir à bon escient

• L’éco-système Python Anaconda et les principaux outils pour l’analyse des données ;
• Le langage Python, ses principales caractéristiques ;
• Les structure de données pour une étude ML (dataframes) et leur manipulation avec la bibliothèque Pandas ;
• Les étapes d’une étude ML en Python avec la bibliothèque Scikit-learn ;
• Les bibliothèques pour la visualisation des données (Matplotlib, Seaborn …) ;
• Organisation d’une étude ML en Python avec un notebook Jupyter – Illustration avec des exemples dans le contexte urbain ;
• Autres outils Python, ressources disponibles sur le WEB.

Connaître les caractéristiques des séries temporelles produites par les réseaux de capteurs et savoir les traiter avec les outils de la science des données

• Importance des séries temporelles pour les services du smart building ;
• Les propriétés fondamentales des séries temporelles ;
• Méthodes de base d’analyse et de transformation des séries temporelles ;
• Comment choisir et appliquer les principes et les modèles du ML aux séries temporelles (prédiction, détection d’anomalies …) ?

Prendre en main la plateforme @DataCamp pour apprendre et pratiquer la science des données dans un environnement en ligne Python

• Présentation des services de la plateforme ;
• Choix personnalisé des cours et exercices pour les participants.