BEGIN:VCALENDAR
VERSION:2.0
PRODID:-//datacraft - ECPv6.15.20//NONSGML v1.0//EN
CALSCALE:GREGORIAN
METHOD:PUBLISH
X-WR-CALNAME:datacraft
X-ORIGINAL-URL:https://datacraft.paris
X-WR-CALDESC:Events for datacraft
REFRESH-INTERVAL;VALUE=DURATION:PT1H
X-Robots-Tag:noindex
X-PUBLISHED-TTL:PT1H
BEGIN:VTIMEZONE
TZID:Europe/Paris
BEGIN:DAYLIGHT
TZOFFSETFROM:+0100
TZOFFSETTO:+0200
TZNAME:CEST
DTSTART:20230326T010000
END:DAYLIGHT
BEGIN:STANDARD
TZOFFSETFROM:+0200
TZOFFSETTO:+0100
TZNAME:CET
DTSTART:20231029T010000
END:STANDARD
BEGIN:DAYLIGHT
TZOFFSETFROM:+0100
TZOFFSETTO:+0200
TZNAME:CEST
DTSTART:20240331T010000
END:DAYLIGHT
BEGIN:STANDARD
TZOFFSETFROM:+0200
TZOFFSETTO:+0100
TZNAME:CET
DTSTART:20241027T010000
END:STANDARD
BEGIN:DAYLIGHT
TZOFFSETFROM:+0100
TZOFFSETTO:+0200
TZNAME:CEST
DTSTART:20250330T010000
END:DAYLIGHT
BEGIN:STANDARD
TZOFFSETFROM:+0200
TZOFFSETTO:+0100
TZNAME:CET
DTSTART:20251026T010000
END:STANDARD
END:VTIMEZONE
BEGIN:VEVENT
DTSTART;TZID=Europe/Paris:20240523T180000
DTEND;TZID=Europe/Paris:20240523T190000
DTSTAMP:20260427T114918
CREATED:20240306T142821Z
LAST-MODIFIED:20240329T094421Z
UID:10231-1716487200-1716490800@datacraft.paris
SUMMARY:REX - Simplifier les simulations complexes grâce au Machine Learning  : application pour la détection de défauts et le diagnostic de la performance d'un bâtiment
DESCRIPTION:Inscription\n                \n            \n            \n			\n				\n				\n				\n				\n				Ce REX sera animé par Thomas Cerbelaud\, Expert IA\, Egis. \nPrésentation du retour d’expérience : \nEn ingénierie\, les codes de calculs numériques sont omniprésents (hydrauliques\, bâtiments\, nucléaires\, aviation\, climat\, biologie…). Cependant\, ces modèles sont souvent sur-paramétrés\, i.e. un grand nombre de paramètres ont besoin d’être spécifiés\, et longs à évaluer\, ce qui limite leur utilisation. A l’inverse\, ils contiennent énormément de données sur notre connaissance des phénomènes physiques en jeu. \nL’objectif de ce REX est donc double : (i) montrer comment rendre ces codes de calculs exploitables\, et (ii) illustrer comment cela peut nous aider à rendre explicite les connaissances embarquées dans ces simulateurs dans un cas pratique industriel. \nPlan prévisionnel :1. Construction d’un émulateur statistique. Revue de l’état de l’art des différents modèles de ML/DL utilisés et illustration\, et impact des variables dynamiques et fonctionnelles.1.1. Construction d’un plan d’expérience1.2. Construction de l’émulateur \n2. Présentation de l’inférence bayésienne et ses applications.2.1. Distribution de probabilités pour les variables fonctionnelles2.2. Interprétabilité du modèles2.3. Algorithmes d’inférence : état de l’art et défis techniques \nNiveau en Machine Learning \n**Connaissances avancées en Machine Learning/DA/IA \nApproche Algo : \nOptimisation : recuit simulé\, algorithme génétiqueModèles : Gaussian Process (GP) (et dérivés)\, Polynomial Chaos Expansion (PCE) (mentionné)\, LSTM\, GRU\, (Attention mentionné)Satistiques : ACP\, ACP fonctionnelle\, GMM\, HMM (mentionnés)Inférence : MCMC (Métropolis\, Gibbs\, IS\, conjugaison\, HMC\, NUTS)\, Stochastic Variational Inference (SVI) Particle Filter (PF)Sensibilité : indices de Sobol \nLiens : \n[1]M. C. Kennedy and A. O’Hagan\, “Bayesian calibration of computer models\,” Journal of the Royal Statistical Society: Series B (Statistical Methodology)\, vol. 63\, no. 3\, pp. 425–464\, 2001\, doi: 10.1111/1467-9868.00294. \n[2]D. Higdon\, J. Gattiker\, B. Williams\, and M. Rightley\, “Computer model calibration using high-dimensional output\,” Journal of the American Statistical Association\, vol. 103\, no. 482\, pp. 570–583\, 2008\, doi: 10.1198/016214507000000888. \n[3]A. Doucet\, N. Freitas\, and N. Gordon\, “An Introduction to Sequential Monte Carlo Methods\,” in Sequential Monte Carlo Methods in Practice\, Springer New York\, 2001\, pp. 3–14. doi: 10.1007/978-1-4757-3437-9_1. \n[4]M. Titsias\, “Variational Learning of Inducing Variables in Sparse Gaussian Processes\,” in Proceedings of the Twelth International Conference on Artificial Intelligence and Statistics\, D. van Dyk and M. Welling\, Eds.\, in Proceedings of Machine Learning Research\, vol. 5. Hilton Clearwater Beach Resort\, Clearwater Beach\, Florida USA: PMLR\, 2009\, pp. 567–574. [Online]. Available: http://proceedings.mlr.press/v5/titsias09a.html \n[1]B. Schubnel et al.\, “State-space models for building control: how deep should you go?\,” Journal of Building Performance Simulation\, vol. 13\, no. 6\, pp. 707–719\, Sep. 2020\, doi: 10.1080/19401493.2020.1817149
URL:https://datacraft.paris/event/inversion-stochastique-de-modele-numeriques-couteux-application-pour-la-detection-de-defauts-et-le-diagnostic-de-la-performance-dun-batiment/
LOCATION:datacraft –\, 3 rue Rossini\, 75009 Paris\, France
END:VEVENT
END:VCALENDAR