Essai M. Fabrice Kwintonda.  Les techniques d’autoapprentissage (AutoML) et d’apprentissage profond pour la prévision sur plusieurs horizons de séries de données temporelles multivariées

Description :

L’apprentissage machine est l’un des domaines phares de l’IA. L’apprentissage profond, un sous-domaine de l’apprentissage machine, consiste à faire le traitement de l’information par plusieurs couches successives de neurones artificiels. Quant à l’autoapprentissage « Automated Machine Learning (AutoML) », un processus d’automatisation pour l’application de l’apprentissage machine, consiste à trouver l’approche optimale pour accomplir des tâches d’une façon objective basée sur les données.

Avec les moyens techniques actuels, l’IA aide des entreprises industrielles à optimiser ses opérations et l’un des champs d’optimisation qui intéresse ces entreprises est le rendement énergétique. C’est dans cette optique que les résultats de cet essai peuvent susciter l’intérêt de ces entreprises ainsi que toute personne qui œuvre dans le domaine de l’efficacité énergétique.

Cet essai porte sur des cas d’optimisation énergétique, tels que la consommation d’électricité qui dépend de plusieurs paramètres sur des périodes de temps différentes. Les données sont exploitées selon la technique d’AutoML et celle d’apprentissage profond. Le but est alors de comparer l’efficacité de ces deux techniques pour la prévision de la consommation d’électricité sur plusieurs horizons avec des séries de données temporelles multivariées.