Apprentissage automatique (Machine Learning) en Python

Exemple d’activité pédagogique autour des objets connectés et du Machine Learning : Enoncé_activité

Cette activité se déroulait sur une séquence de 4 h au cours de laquelle les élèves ingénieurs devaient utiliser des jumeaux numériques de montages ARDUINO incluant un ESP8826 ou un ESP32 adressant :

  • des requêtes de type GET auprès d’un serveur distant de données météo ou de données de pollution sur la ville d’Angers,
  • puis des requêtes POST envoyant vers un serveur (dweet.io) des positions d’un potentiomètre.

Le but étant d’exploiter en temps réel de telles données par apprentissage automatique (Machine Learning) afin de piloter l’automate à distance à partir de décisions automatiques, il a été demandé aux élèves de mettre en œuvre 3 techniques simples de Machine Learning :

  • la méthode d’apprentissage non supervisé appelée KMeans (méthode de clustering permettant d’identifier des comportements type sans avoir aucune idée a priori sur la nature de ces derniers),
  • 2 méthodes d’apprentissage supervisé appelés Naïve Bayes et Régression Logistique.

Naïve Bayes vise à prévoir des pourcentages de bons classements sans connaissances préalables sur les objets à classer. Ces pourcentages sont estimés après une période d’apprentissage supervisé au cours de laquelle les classes des éléments à trier étaient connues a priori.

La régression logistique consiste à construire un modèle de prédiction d’une sortie binaire Y (prenant des valeurs 0 ou 1)  en fonction d’une donnée d’entrée X. L’idée est de faire une régression non pas de Y elle-même mais de la probabilité d’avoir Y=1 sachant que l’entrée est X=x, et ce en fonction de la valeur x obtenue.

Dans les 2 derniers cas, la qualité prédictive du modèle pour des cas hors apprentissage a également été estimée.

Malheureusement, il ne s’agit encore que de situations assez éloignées de problématiques d’ingénieurs, mais elles étaient néanmoins parlantes pour comprendre le principe de ces méthodes.

Il est prévu à l’avenir d’utiliser des exemples plus technologiques en effectuant des requêtes GET vers le serveur de dépôt des données acquises lors des TPs de thermique du campus Arts et Métiers de Metz (TP thermique en distanciel).

Un traitement statistique similaire à celui réalisé sur les données acquises le 11/10/2024 sera effectué en temps réel. Voici déjà à titre d’exemple ce qui a été obtenu sur les données du 11/10/2024 : Analyse des résultats du TP thermique (version ODP : Analyse des résultats du TP thermique).

À terme, il s’agira d’enrichir en permanence les données acquises à l’occasion des TPs successifs afin d’améliorer les modèles déterminant les réglages associés au meilleur rendement thermique. La consigne correspondante sera alors envoyée automatiquement du campus Arts et Métiers d’Angers vers le dispositif de TP du campus de Metz et la maîtrise du phénomène d’ébullition pourra être constatée via une vidéo.

Laisser un commentaire