Retour à la catégorie

MTS-003
Outils et méthodes numériques - 2020

Machine learning dans un contexte aéronautique

Motivation, présentation et applications

BUT :

Cette formation a pour but de présenter et d’introduire les bases de l’apprentissage statistique ou machine (machine learning), de les mettre en pratique avec les outils modernes de la data science (Python et R) et de montrer le bénéfice de ces techniques pour l’ingénieur aéronautique.

DUREE ET EMPLOI DU TEMPS :

Le stage dure 3 jours et comporte 11h de théorie et 7h d'exemples et d’applications avec une mise en pratique sur PC via des tutoriels permettant au stagiaire de mieux intégrer les méthodes enseignées. Un temps de mise en œuvre des méthodes sur les données apportées par les stagiaires est prévu. 

Stage en français, supports en anglais.

ESPRIT GENERAL :

Le déluge de données du au Web, l’avènement du calcul générique sur GPU et les innovations incessantes présentées par les grands acteurs du Web ont conduit la majorité des industries traditionnelles à engager une révolution dite digitale. Le secteur aéronautique n’est pas en reste de cette tendance majeure. Néanmoins pour accompagner cette transformation vers la data et le machine learning, les entreprises doivent impérativement se former et recruter des personnes formées à ces domaines, afin aussi d’anticiper les bénéfices de ces techniques mais aussi pour modérer les expectatives que toute révolution industrielle génère. De la maintenance prédictive des structures aéronautiques à la recommandation de contenu pour les passagers, en passant par la détection automatique de défaut de fabrication, les stratégies de régression de simulation numérique coûteuse ou encore la détection temps réel d’anomalie moteur, nombreux sont les nouveaux services que le machine learning peuvent créer dans le secteur aéronautique.

L’objet de cette formation est de présenter les bases du machine learning, ses principales techniques, ses applications classiques et récentes et des idées potentielles d’applications dans le secteur aéronautique. L’ONERA propose depuis de nombreuses années des applications innovantes du machine learning dans de nombreux domaines aéronautiques (conception avant-projets, simulation numérique, reconnaissance d’image, détection d’anomalie…).  

PREREQUIS :

Niveau du stage : Base/Perfectionnement

Formation ingénieur ou équivalent nécessaire, les bases statistiques sont revues en début de cours. La connaissance de Python n'est pas indispensable, mais serait un plus.

ANIMATEUR(S) :

Dimitri BETTEBGHOR : (ONERA/DMAS)
Nathalie BARTOLI : (ONERA/DTIS)
Sidonie LEFEBVRE : (ONERA/DOTA)

SOMMAIRE :

Jour 1

  • Introduction et motivation
    * Qu’est-ce que le machine learning ?
    * Pourquoi le machine learning marche-t-il ? Exemples d’applications classiques et récentes
    * Potentielles applications dans le monde aéronautique
  • Généralités sur le machine learning
    * Supervisé vs. Non supervisé
    * Panorama des algorithmes de machine learning
    * Construction pratique
    * Préparation des données et visualisation
    *Techniques de réduction de variance
    * Plans d'expériences numériques et analyse de sensibilité
    * Zoom sur le non supervisé
  • Modèles linéaires
    * Régression linéaire classique, leviers
    * Régression linéaire orthogonale
    * Techniques modernes de régularisation
    * Régression logistique
    * Modèles linéaires généralisés
  • Mise en pratique en Python
    * Présentation des principaux modules Python
    * Mise en pratique sur un use-case aéronautique
  • Réseaux de neurones et Deep Learning
    * Origine et lien avec l’intelligence artificielle
    * Zoom sur le perceptron multicouche : construction pratique
    * Deep Learning
    * Mise en pratique en Python
  •  Krigeage (Gaussian Process)
    * Origine géostatistique, lien avec les processus gaussiens
    * Description des différents krigeages
    * Extension aux données multi-fidélité
    * Stratégie d'optimisation globale
    * Mise en pratique en Python

Jour 2

  •  Méthodes non paramétriques
    * Naive Bayes, Decision Trees, Random Forest
    * Boosting, Adaboost
  •  Machines à vecteur support (SVM)
    * Principes généraux
    * Exemples d’application en classification
    * Mise en pratique en Python
  • Réseaux de fonctions de bases radiales (RBF)
    * Principes et motivation - Propriétés
    * Stratégie  de réglage des hyperparamètres
  • Mise en pratique sur un use-case aéronautique

DATE(S) :

à PARIS : du 3 au 5 février 2020

PRIX :

1 620,00 € HT (TVA 20 %)

Voir conditions générales

Télécharger le pdf
Imprimer
Télécharger le bulletin d'inscription
Nous contacter