AccueilChoisir ma formationPar discipline

Intelligence artificielle appliquée aux systèmes énergétiques

Code UE : ENT205-PAR

  • Cours + travaux pratiques
  • 4 crédits
  • Volume horaire de référence
    (+ ou - 10%) : 40 heures

Responsable(s)

Issa JAFFAL

Ecole Energie École du numérique et de l'IA Par ses missions de formation, de recherche et de diffusion de la culture scientifique et technique, le Cnam est un acteur majeur de toutes les transitions : écologique, énergétique, numérique, économique, pédagogique, sociétale...
Afin d'accompagner ces transitions, l'établissement propose des écoles thématiques pour mettre en lumière les expertises et proposer une offre de formation riche et pluridisciplinaire. Le Cnam a ainsi ouvert l'École des transitions écologiques, l'École de l'énergie, l'École de la santé et l'École du numérique et de l'intelligence artificielle.

Public, conditions d’accès et prérequis

  • Bases en thermique et systèmes énergétiques
  • Bases en mathématiques et statistiques appliquées 
  • Programmation Python
  • Notions d’analyse de données et de machine learning (recommandées)

Objectifs pédagogiques

  • Acquérir les bases pour appliquer les méthodes d’intelligence artificielle aux systèmes énergétiques à partir de données réelles ou simulées.
  • Développer la capacité à concevoir, entraîner et valider des modèles prédictifs de machine learning pour des applications énergétiques.
  • Appréhender l’analyse des données et le machine learning pour comprendre, diagnostiquer et améliorer la performance des systèmes énergétiques.

Compétences visées

  • Construire des chaines de traitement et d’analyse des données énergétiques.
  • Concevoir, entraîner et optimiser des modèles de machine learning pour des applications énergétiques.
  • Évaluer, comparer et interpréter les modèles développés.

Mots-clés

Contenu

Introduction à l’analyse des données
  • Prétraitement des données 
  • Analyse exploratoire des données
  • Visualisation et interprétation
  • Réduction de dimension
  • Analyse des séries temporelles
  • Préparation des données pour la modélisation
Introduction au machine learning 
  • Concepts fondamentaux : apprentissage supervisé et non supervisé, régression et classification, sous-apprentissage et surapprentissage
  • Modèles : linéaires, réseaux de neurones, méthodes d’ensemble
  • Optimisation d’hyperparamètres
  • Évaluation des performances des modèles
Réseaux de neurones et deep learning 
  • Notions de base : perceptrons, fonctions d’activation, réseaux profonds
  • Architectures pour différents types de données : tabulaires, images, séries temporelles
  • Entraînement des modèles : descente de gradient, régularisation, choix des hyperparamètres
Applications du machine learning 
  • Régression et classification
  • Clustering
  • Modélisation des séries temporelles
  • Détection d’anomalies
Interprétation des modèles 
  • Importance des variables : SHAP, permutation importance
  • Relations entre variables : PDP, interactions
  • Interprétation globale et locale des modèles
Cas d’applications en énergétique
  • Analyse de données issues de mesures ou de simulations numériques
  • Prédiction de la consommation énergétique
  • Clustering de systèmes énergétiques selon leur performance
  • Détection d’anomalies dans les systèmes énergétiques
  • Modélisation de séries temporelles à partir des données de capteurs

Modalité d'évaluation

  • Projet(s)

Bibliographie

    Cette UE apparaît dans les diplômes et certificats suivants

    Chargement du résultat...
    Patientez
    Intitulé de la formation
    Type
    Modalité(s)
    Lieu(x)
    Intitulé de la formation Diplôme d'ingénieur Spécialité Énergétique
    Type Diplôme d'ingénieur
    Lieu(x) À la carte
    Lieu(x) Grand-Est, Madagascar, Paris
    Entrée Niveau 5 (Bac+2)
    Intitulé de la formation Type Modalité(s) Lieu(x)

    Contact

    EPN01 - Énergétique
    292 rue St Martin
    75003 Paris
    Tel :01 40 27 21 65
    Magali Pacaud et manuel Corazza
    Voir le site

    Centre(s) d'enseignement proposant cette formation

    • Paris
      • 2026-2027 2nd semestre : Formation ouverte et à distance (FOAD)
      Comment est organisée cette formation ?
      2026-2027 2nd semestre : Formation ouverte et à distance

      Dates importantes

      • Période des séances du 01/02/2027 au 05/06/2027
      • Période d'inscription : du 01/06/2026 à 10:00 au 05/03/2027 à 17:30
      • Date de 1ère session d'examen : la date sera publiée sur le site du centre ou l'ENF
      • Date de 2ème session d'examen : la date sera publiée sur le site du centre ou l'ENF

      Précision sur la modalité pédagogique

      • Une formation ouverte et à distance (FOAD) est une formation dispensée 100% à distance, qui peut être suivie librement, à son rythme.
      • Regroupements physiques facultatifs : Aucun

      Organisation du déploiement de l'unité

      • Délai maximum de réponse à une solicitation : sous 96 heures (Jours ouvrés)

      Modes d'animation de la formation

      • Organisation d'une séance de démarrage
      • Evaluation de la satisfaction
      • Hot line technique