Wiki de Projets IMA - Contributions de l’utilisateur [fr]

Projets IMA3 IMA4 2020/2022

2021-10-22T11:26:03Z

Lbal1 : /* Répartition des binômes 2021/2022 */

== Répartition des binômes 2021/2022 ==

{| class="wikitable"
! Projet !! Encadrants école !! Eleves
|-
| P8 [[IMA3/IMA4 2020/2022 P8|Objet connecté pour la gestion des applications]]
| Thomas Vantroys
| Aymerick SERGEANT / Alix DUFOUR / Thibault MEYNIER / Arthur VAIN / Maxime BALBASTRE
|-
|-
| P5 [[IMA3/IMA4 2020/2022 P5|Machine learning pour le diagnostic de machines défectueuses]]
| Othman Lakhal
| Antoine BROSSAS / Tom CARRERE / Loïc BAL / Aymen BACCAR / Florian DERLIQUE
|-
|-
| P6 [[IMA3/IMA4 2020/2022 P6|Network monitoring]]
| Thomas Vantroys
| Valentin DOSIAS/ Simon DOUTEAU / Théo LEFEBVRE/ Tristan PAYEN
|-
|-
| P7 [[IMA3/IMA4 2020/2022 P7|Conception et commande d'un minisegway]]
| Othman Lakhal
| Maxence Neus/ Omar Sifa / Logan Paquin/ Ayman Moummadi
|-
|-
| P1 [[IMA3/IMA4 2020/2022 P1|Emulation d'une ferme éolienne connectée au réseau]]
| Florian CHEVALIER / Betty SEMAIL / Philippe DELARUE / Abdelkader BENABOU
| LACROIX Héloïse / WANG Miaoqi / HENRY Flavie / MAZOUZI Janet
|-
|-
| P11 [[IMA3/IMA4 2020/2022 P11|Mise en place d'un réseau de capteurs dans les salles de Polytech]]
| Thomas Vantroys
| Yanis LACROIX/ Florian VALLEE / Haitam BLGRIM/ Abdelillah EL KHOTRI
|-
|-
| P13 [[IMA3/IMA4 2020/2022 P13|Maquette virtuelle pour les cours/TP traitements d'image "pick and drop"]]
| Othman Lakhal / Blaise Conrard
| Brahim LEMRABET / Ayoub ER-REGUYBY
|-
|}

== Répartition des binômes 2020/2021 ==

{| class="wikitable"
! Projet !! Encadrants ecole !! Eleves
|-
| P3 [[IMA3/IMA4 2020/2022 P3|Conception et commande d'un Drone]]
| Midzodzi Pekpe / Othman Lakhal
| Louise Maës / Léo Poumaer / Niels Godbert / Rémi Brachot / Lucas Postollec / Chaimae Yasmine
|-
|-
| P2 [[IMA3/IMA4 2020/2022 P2|Véhicule Autonome]]
| Midzodzi Pekpe / Othman Lakhal
| Clément Koperski / Konstantin Patrikeev / Julien Dumon / Ronan Sing
|-
|}

Projets IMA3 IMA4 2020/2022

2021-10-22T11:25:42Z

Lbal1 : /* Répartition des binômes 2021/2022 */

== Répartition des binômes 2021/2022 ==

{| class="wikitable"
! Projet !! Encadrants école !! Eleves
|-
| P8 [[IMA3/IMA4 2020/2022 P8|Objet connecté pour la gestion des applications]]
| Thomas Vantroys
| Aymerick SERGEANT / Alix DUFOUR / Thibault MEYNIER / Arthur VAIN / Maxime BALBASTRE
|-
|-
| P5 [[IMA3/IMA4 2020/2022 P5|Machine learning pour le diagnostique]]
| Othman Lakhal
| Antoine BROSSAS / Tom CARRERE / Loïc BAL / Aymen BACCAR / Florian DERLIQUE
|-
|-
| P6 [[IMA3/IMA4 2020/2022 P6|Network monitoring]]
| Thomas Vantroys
| Valentin DOSIAS/ Simon DOUTEAU / Théo LEFEBVRE/ Tristan PAYEN
|-
|-
| P7 [[IMA3/IMA4 2020/2022 P7|Conception et commande d'un minisegway]]
| Othman Lakhal
| Maxence Neus/ Omar Sifa / Logan Paquin/ Ayman Moummadi
|-
|-
| P1 [[IMA3/IMA4 2020/2022 P1|Emulation d'une ferme éolienne connectée au réseau]]
| Florian CHEVALIER / Betty SEMAIL / Philippe DELARUE / Abdelkader BENABOU
| LACROIX Héloïse / WANG Miaoqi / HENRY Flavie / MAZOUZI Janet
|-
|-
| P11 [[IMA3/IMA4 2020/2022 P11|Mise en place d'un réseau de capteurs dans les salles de Polytech]]
| Thomas Vantroys
| Yanis LACROIX/ Florian VALLEE / Haitam BLGRIM/ Abdelillah EL KHOTRI
|-
|-
| P13 [[IMA3/IMA4 2020/2022 P13|Maquette virtuelle pour les cours/TP traitements d'image "pick and drop"]]
| Othman Lakhal / Blaise Conrard
| Brahim LEMRABET / Ayoub ER-REGUYBY
|-
|}

== Répartition des binômes 2020/2021 ==

{| class="wikitable"
! Projet !! Encadrants ecole !! Eleves
|-
| P3 [[IMA3/IMA4 2020/2022 P3|Conception et commande d'un Drone]]
| Midzodzi Pekpe / Othman Lakhal
| Louise Maës / Léo Poumaer / Niels Godbert / Rémi Brachot / Lucas Postollec / Chaimae Yasmine
|-
|-
| P2 [[IMA3/IMA4 2020/2022 P2|Véhicule Autonome]]
| Midzodzi Pekpe / Othman Lakhal
| Clément Koperski / Konstantin Patrikeev / Julien Dumon / Ronan Sing
|-
|}

IMA3/IMA4 2020/2022 P5

2021-10-22T11:25:12Z

Lbal1 : /* Recherche bibliographique */

= <div class="mcwiki-header" style="border-radius: 15px; padding: 15px; font-weight: bold; text-align: center; font-size: 80%; background: #C2E5FF; vertical-align: top; width: 98%;"> '''Présentation générale''' </div> =

==Contexte==

==Introduction==

L’objectif de ce projet est la mise en place d’algorithmes de machine learning afin de diagnostiquer l’état de machines industrielles. Nous travaillons sur ce projet durant 2 semestres. Durant le premier semestre, nous avions comme objectifs d’acquérir la maîtrise des différentes librairies primordiales pour traiter les données en machine learning, ainsi que d’étudier et d’utiliser certains algorithmes basiques (régression linéaire, logistique, Bayes) sur des datasets que nous traiterons nous même.

==Répartition des tâches==

===Semestre 6===

Au début, comme le sujet était flou pour une majorité d’entre nous, nous nous sommes documentés tous ensemble sur différents livres à propos du machine learning et avons compris l’importance des librairies associées au machine learning.
Après s’être suffisamment documenté, 3 d’entre nous devaient réaliser un rapport sur les différentes librairies (Numpy pour Loïc, Pandas pour Tom, Seaborn pour Aymen), celui-ci se devait d’être assez explicite afin que les autres n’ayant pas travaillé sur ces librairies puissent acquérir des connaissances facilement en le lisant, Florian et Antoine, quant à eux, se sont occupées d’implémenter et d’analyser une première méthode de machine learning, la régression linéaire, et d’en effectuer un rapport.
Ensuite, une partie d’entre nous s’est intéressée à d’autres algorithmes de machine learning (Bayes pour Loïc et régression logistique pour Antoine) tandis que Florian et Tom se sont intéressées à diverses méthodes de pré-traitement de données (méthode SMOTE pour l’oversampling) à appliquer sur une base de données existantes et Aymen s’est occupé de la partie évaluation de l’efficacité d’un algorithme (avec notamment l’importance de la matrice de confusion).

===Semestre 7===

==Cahier des charges==

'''Ressources disponibles :'''

Livres sur le machine learning

Bases de données (afin d'appliquer divers algorithmes de machine learning) que nous prendrons sur ces sites :
https://www.kaggle.com/datasets
https://archive.ics.uci.edu/ml/datasets.php

Librairies Python (Scikit-learn, Pandas, Numpy, Seaborn, Matplotlib)

'''Objectifs poursuivis :'''

Détecter les dysfonctionnements de systèmes mécatroniques (par exemple les robots Khepera, Robotino…), grâce au machine learning.

Apprendre à implémenter différentes méthodes machine learning .

'''Profil du public cible :'''

Secteur mécatronique

Entreprises disposant d'ingénieurs pour maintenir le système informatique opérationnel

Entreprises utilisant des machines dans tous les secteurs

'''Analyse des besoins :'''

L’industrie a de plus en plus besoin du machine learning pour détecter les erreurs des systèmes. En effet, cette technologie devient indispensable pour les industriels, notamment afin d'accroître la productivité et l’efficacité des systèmes industriels.

Le programme peut ne pas être aussi rapide et optimisé en espace mémoire que d'autres programmes, nous visons l’efficacité de notre algorithme plutôt que la rapidité.

==Recherche bibliographique==

* https://www.wikipedia.com

* https://www.jybaudot.fr

* https://datascientest.com/

* https://www.ipgirl.com

* Cours de probabilités et statistiques de l’Université Jules Vernes

* Chaine youtube Machine Learning : https://www.youtube.com/channel/UCmpptkXu8iIFe6kfDK5o7VQ

* Machine Learning with scikit-learn Quick Start Guide écrit par Kevin Jolly

* https://lucidar.me/

* https://archive.ics.uci.edu/ml/datasets.php

* https://www.kaggle.com/datasets

* https://www.datacamp.com/

* Machine Learning algorithms - Second Edition écrit par Giuseppe Bonaccorso

* https://www.datacamp.com

* https://towardsdatascience.com/

* https://www.learndatasci.com/

==Rapports et présentation==

===Librairies===

* [https://colab.research.google.com/drive/1CQZ1s6fNY_6MsmbBa5TP1OzSedqFeaWI?usp=sharing/ Rapport Numpy]

* [https://colab.research.google.com/drive/1tdu_B2wRsUiqdnSeskQENdn_wX3pJMeT?usp=sharing/ Rapport Pandas]

* [https://colab.research.google.com/drive/1DPS4ZT91SIEhscwST8kfER7u21tKoM3a?usp=sharing/ Rapport Seaborn]

===S6===

* [https://docs.google.com/document/d/1yR0vLePV3hI1_HVtTZWwGIwy0Cb-oLOsOTK3Um5KAYE/edit?usp=sharing/ Rapport S6]

* [https://docs.google.com/presentation/d/1Je_yF0dgc-s9gB7LLsfOg0b05xcwIFJbaqpVytxWv5A/edit?usp=sharing/ Présentation S6]

* [https://colab.research.google.com/drive/1y_NMo9XKJ0WzwE2zmcRblUyuIebwfoN8?usp=sharing/ Régression linéaire]

* [https://colab.research.google.com/drive/1bRyrnL1JM870cEcEvfGaS8ItrG16rchy?usp=sharing/ Google Colab]

IMA3/IMA4 2020/2022 P5

2021-10-22T11:23:54Z

Lbal1 : /* Fonctionnalités et Solutions adoptées */

= <div class="mcwiki-header" style="border-radius: 15px; padding: 15px; font-weight: bold; text-align: center; font-size: 80%; background: #C2E5FF; vertical-align: top; width: 98%;"> '''Présentation générale''' </div> =

==Contexte==

==Introduction==

L’objectif de ce projet est la mise en place d’algorithmes de machine learning afin de diagnostiquer l’état de machines industrielles. Nous travaillons sur ce projet durant 2 semestres. Durant le premier semestre, nous avions comme objectifs d’acquérir la maîtrise des différentes librairies primordiales pour traiter les données en machine learning, ainsi que d’étudier et d’utiliser certains algorithmes basiques (régression linéaire, logistique, Bayes) sur des datasets que nous traiterons nous même.

==Répartition des tâches==

===Semestre 6===

Au début, comme le sujet était flou pour une majorité d’entre nous, nous nous sommes documentés tous ensemble sur différents livres à propos du machine learning et avons compris l’importance des librairies associées au machine learning.
Après s’être suffisamment documenté, 3 d’entre nous devaient réaliser un rapport sur les différentes librairies (Numpy pour Loïc, Pandas pour Tom, Seaborn pour Aymen), celui-ci se devait d’être assez explicite afin que les autres n’ayant pas travaillé sur ces librairies puissent acquérir des connaissances facilement en le lisant, Florian et Antoine, quant à eux, se sont occupées d’implémenter et d’analyser une première méthode de machine learning, la régression linéaire, et d’en effectuer un rapport.
Ensuite, une partie d’entre nous s’est intéressée à d’autres algorithmes de machine learning (Bayes pour Loïc et régression logistique pour Antoine) tandis que Florian et Tom se sont intéressées à diverses méthodes de pré-traitement de données (méthode SMOTE pour l’oversampling) à appliquer sur une base de données existantes et Aymen s’est occupé de la partie évaluation de l’efficacité d’un algorithme (avec notamment l’importance de la matrice de confusion).

===Semestre 7===

==Cahier des charges==

'''Ressources disponibles :'''

Livres sur le machine learning

Bases de données (afin d'appliquer divers algorithmes de machine learning) que nous prendrons sur ces sites :
https://www.kaggle.com/datasets
https://archive.ics.uci.edu/ml/datasets.php

Librairies Python (Scikit-learn, Pandas, Numpy, Seaborn, Matplotlib)

'''Objectifs poursuivis :'''

Détecter les dysfonctionnements de systèmes mécatroniques (par exemple les robots Khepera, Robotino…), grâce au machine learning.

Apprendre à implémenter différentes méthodes machine learning .

'''Profil du public cible :'''

Secteur mécatronique

Entreprises disposant d'ingénieurs pour maintenir le système informatique opérationnel

Entreprises utilisant des machines dans tous les secteurs

'''Analyse des besoins :'''

L’industrie a de plus en plus besoin du machine learning pour détecter les erreurs des systèmes. En effet, cette technologie devient indispensable pour les industriels, notamment afin d'accroître la productivité et l’efficacité des systèmes industriels.

Le programme peut ne pas être aussi rapide et optimisé en espace mémoire que d'autres programmes, nous visons l’efficacité de notre algorithme plutôt que la rapidité.

==Recherche bibliographique==

https://www.wikipedia.com

https://www.jybaudot.fr

https://datascientest.com/

https://www.ipgirl.com

Cours de probabilités et statistiques de l’Université Jules Vernes

Chaine youtube Machine Learning : https://www.youtube.com/channel/UCmpptkXu8iIFe6kfDK5o7VQ

Machine Learning with scikit-learn Quick Start Guide écrit par Kevin Jolly

https://lucidar.me/

https://archive.ics.uci.edu/ml/datasets.php

https://www.kaggle.com/datasets

https://www.datacamp.com/

Machine Learning algorithms - Second Edition écrit par Giuseppe Bonaccorso

https://www.datacamp.com

https://towardsdatascience.com/

https://www.learndatasci.com/

==Rapports et présentation==

===Librairies===

* [https://colab.research.google.com/drive/1CQZ1s6fNY_6MsmbBa5TP1OzSedqFeaWI?usp=sharing/ Rapport Numpy]

* [https://colab.research.google.com/drive/1tdu_B2wRsUiqdnSeskQENdn_wX3pJMeT?usp=sharing/ Rapport Pandas]

* [https://colab.research.google.com/drive/1DPS4ZT91SIEhscwST8kfER7u21tKoM3a?usp=sharing/ Rapport Seaborn]

===S6===

* [https://docs.google.com/document/d/1yR0vLePV3hI1_HVtTZWwGIwy0Cb-oLOsOTK3Um5KAYE/edit?usp=sharing/ Rapport S6]

* [https://docs.google.com/presentation/d/1Je_yF0dgc-s9gB7LLsfOg0b05xcwIFJbaqpVytxWv5A/edit?usp=sharing/ Présentation S6]

* [https://colab.research.google.com/drive/1y_NMo9XKJ0WzwE2zmcRblUyuIebwfoN8?usp=sharing/ Régression linéaire]

* [https://colab.research.google.com/drive/1bRyrnL1JM870cEcEvfGaS8ItrG16rchy?usp=sharing/ Google Colab]

IMA3/IMA4 2020/2022 P5

2021-10-22T11:23:33Z

Lbal1 : /* Librairies */

= <div class="mcwiki-header" style="border-radius: 15px; padding: 15px; font-weight: bold; text-align: center; font-size: 80%; background: #C2E5FF; vertical-align: top; width: 98%;"> '''Présentation générale''' </div> =

==Contexte==

==Introduction==

L’objectif de ce projet est la mise en place d’algorithmes de machine learning afin de diagnostiquer l’état de machines industrielles. Nous travaillons sur ce projet durant 2 semestres. Durant le premier semestre, nous avions comme objectifs d’acquérir la maîtrise des différentes librairies primordiales pour traiter les données en machine learning, ainsi que d’étudier et d’utiliser certains algorithmes basiques (régression linéaire, logistique, Bayes) sur des datasets que nous traiterons nous même.

==Répartition des tâches==

===Semestre 6===

Au début, comme le sujet était flou pour une majorité d’entre nous, nous nous sommes documentés tous ensemble sur différents livres à propos du machine learning et avons compris l’importance des librairies associées au machine learning.
Après s’être suffisamment documenté, 3 d’entre nous devaient réaliser un rapport sur les différentes librairies (Numpy pour Loïc, Pandas pour Tom, Seaborn pour Aymen), celui-ci se devait d’être assez explicite afin que les autres n’ayant pas travaillé sur ces librairies puissent acquérir des connaissances facilement en le lisant, Florian et Antoine, quant à eux, se sont occupées d’implémenter et d’analyser une première méthode de machine learning, la régression linéaire, et d’en effectuer un rapport.
Ensuite, une partie d’entre nous s’est intéressée à d’autres algorithmes de machine learning (Bayes pour Loïc et régression logistique pour Antoine) tandis que Florian et Tom se sont intéressées à diverses méthodes de pré-traitement de données (méthode SMOTE pour l’oversampling) à appliquer sur une base de données existantes et Aymen s’est occupé de la partie évaluation de l’efficacité d’un algorithme (avec notamment l’importance de la matrice de confusion).

===Semestre 7===

==Cahier des charges==

'''Ressources disponibles :'''

Livres sur le machine learning

Bases de données (afin d'appliquer divers algorithmes de machine learning) que nous prendrons sur ces sites :
https://www.kaggle.com/datasets
https://archive.ics.uci.edu/ml/datasets.php

Librairies Python (Scikit-learn, Pandas, Numpy, Seaborn, Matplotlib)

'''Objectifs poursuivis :'''

Détecter les dysfonctionnements de systèmes mécatroniques (par exemple les robots Khepera, Robotino…), grâce au machine learning.

Apprendre à implémenter différentes méthodes machine learning .

'''Profil du public cible :'''

Secteur mécatronique

Entreprises disposant d'ingénieurs pour maintenir le système informatique opérationnel

Entreprises utilisant des machines dans tous les secteurs

'''Analyse des besoins :'''

L’industrie a de plus en plus besoin du machine learning pour détecter les erreurs des systèmes. En effet, cette technologie devient indispensable pour les industriels, notamment afin d'accroître la productivité et l’efficacité des systèmes industriels.

Le programme peut ne pas être aussi rapide et optimisé en espace mémoire que d'autres programmes, nous visons l’efficacité de notre algorithme plutôt que la rapidité.

==Recherche bibliographique==

https://www.wikipedia.com

https://www.jybaudot.fr

https://datascientest.com/

https://www.ipgirl.com

Cours de probabilités et statistiques de l’Université Jules Vernes

Chaine youtube Machine Learning : https://www.youtube.com/channel/UCmpptkXu8iIFe6kfDK5o7VQ

Machine Learning with scikit-learn Quick Start Guide écrit par Kevin Jolly

https://lucidar.me/

https://archive.ics.uci.edu/ml/datasets.php

https://www.kaggle.com/datasets

https://www.datacamp.com/

Machine Learning algorithms - Second Edition écrit par Giuseppe Bonaccorso

https://www.datacamp.com

https://towardsdatascience.com/

https://www.learndatasci.com/

==Rapports et présentation==

===Librairies===

* [https://colab.research.google.com/drive/1CQZ1s6fNY_6MsmbBa5TP1OzSedqFeaWI?usp=sharing/ Rapport Numpy]

* [https://colab.research.google.com/drive/1tdu_B2wRsUiqdnSeskQENdn_wX3pJMeT?usp=sharing/ Rapport Pandas]

* [https://colab.research.google.com/drive/1DPS4ZT91SIEhscwST8kfER7u21tKoM3a?usp=sharing/ Rapport Seaborn]

===S6===

* [https://docs.google.com/document/d/1yR0vLePV3hI1_HVtTZWwGIwy0Cb-oLOsOTK3Um5KAYE/edit?usp=sharing/ Rapport S6]

* [https://docs.google.com/presentation/d/1Je_yF0dgc-s9gB7LLsfOg0b05xcwIFJbaqpVytxWv5A/edit?usp=sharing/ Présentation S6]

* [https://colab.research.google.com/drive/1y_NMo9XKJ0WzwE2zmcRblUyuIebwfoN8?usp=sharing/ Régression linéaire]

* [https://colab.research.google.com/drive/1bRyrnL1JM870cEcEvfGaS8ItrG16rchy?usp=sharing/ Google Colab]

==Fonctionnalités et Solutions adoptées==

IMA3/IMA4 2020/2022 P5

2021-10-22T11:23:23Z

Lbal1 : /* S6 */

= <div class="mcwiki-header" style="border-radius: 15px; padding: 15px; font-weight: bold; text-align: center; font-size: 80%; background: #C2E5FF; vertical-align: top; width: 98%;"> '''Présentation générale''' </div> =

==Contexte==

==Introduction==

L’objectif de ce projet est la mise en place d’algorithmes de machine learning afin de diagnostiquer l’état de machines industrielles. Nous travaillons sur ce projet durant 2 semestres. Durant le premier semestre, nous avions comme objectifs d’acquérir la maîtrise des différentes librairies primordiales pour traiter les données en machine learning, ainsi que d’étudier et d’utiliser certains algorithmes basiques (régression linéaire, logistique, Bayes) sur des datasets que nous traiterons nous même.

==Répartition des tâches==

===Semestre 6===

Au début, comme le sujet était flou pour une majorité d’entre nous, nous nous sommes documentés tous ensemble sur différents livres à propos du machine learning et avons compris l’importance des librairies associées au machine learning.
Après s’être suffisamment documenté, 3 d’entre nous devaient réaliser un rapport sur les différentes librairies (Numpy pour Loïc, Pandas pour Tom, Seaborn pour Aymen), celui-ci se devait d’être assez explicite afin que les autres n’ayant pas travaillé sur ces librairies puissent acquérir des connaissances facilement en le lisant, Florian et Antoine, quant à eux, se sont occupées d’implémenter et d’analyser une première méthode de machine learning, la régression linéaire, et d’en effectuer un rapport.
Ensuite, une partie d’entre nous s’est intéressée à d’autres algorithmes de machine learning (Bayes pour Loïc et régression logistique pour Antoine) tandis que Florian et Tom se sont intéressées à diverses méthodes de pré-traitement de données (méthode SMOTE pour l’oversampling) à appliquer sur une base de données existantes et Aymen s’est occupé de la partie évaluation de l’efficacité d’un algorithme (avec notamment l’importance de la matrice de confusion).

===Semestre 7===

==Cahier des charges==

'''Ressources disponibles :'''

Livres sur le machine learning

Bases de données (afin d'appliquer divers algorithmes de machine learning) que nous prendrons sur ces sites :
https://www.kaggle.com/datasets
https://archive.ics.uci.edu/ml/datasets.php

Librairies Python (Scikit-learn, Pandas, Numpy, Seaborn, Matplotlib)

'''Objectifs poursuivis :'''

Détecter les dysfonctionnements de systèmes mécatroniques (par exemple les robots Khepera, Robotino…), grâce au machine learning.

Apprendre à implémenter différentes méthodes machine learning .

'''Profil du public cible :'''

Secteur mécatronique

Entreprises disposant d'ingénieurs pour maintenir le système informatique opérationnel

Entreprises utilisant des machines dans tous les secteurs

'''Analyse des besoins :'''

L’industrie a de plus en plus besoin du machine learning pour détecter les erreurs des systèmes. En effet, cette technologie devient indispensable pour les industriels, notamment afin d'accroître la productivité et l’efficacité des systèmes industriels.

Le programme peut ne pas être aussi rapide et optimisé en espace mémoire que d'autres programmes, nous visons l’efficacité de notre algorithme plutôt que la rapidité.

==Recherche bibliographique==

https://www.wikipedia.com

https://www.jybaudot.fr

https://datascientest.com/

https://www.ipgirl.com

Cours de probabilités et statistiques de l’Université Jules Vernes

Chaine youtube Machine Learning : https://www.youtube.com/channel/UCmpptkXu8iIFe6kfDK5o7VQ

Machine Learning with scikit-learn Quick Start Guide écrit par Kevin Jolly

https://lucidar.me/

https://archive.ics.uci.edu/ml/datasets.php

https://www.kaggle.com/datasets

https://www.datacamp.com/

Machine Learning algorithms - Second Edition écrit par Giuseppe Bonaccorso

https://www.datacamp.com

https://towardsdatascience.com/

https://www.learndatasci.com/

==Rapports et présentation==

===Librairies===

- [https://colab.research.google.com/drive/1CQZ1s6fNY_6MsmbBa5TP1OzSedqFeaWI?usp=sharing/ Rapport Numpy]

- [https://colab.research.google.com/drive/1tdu_B2wRsUiqdnSeskQENdn_wX3pJMeT?usp=sharing/ Rapport Pandas]

- [https://colab.research.google.com/drive/1DPS4ZT91SIEhscwST8kfER7u21tKoM3a?usp=sharing/ Rapport Seaborn]

===S6===

* [https://docs.google.com/document/d/1yR0vLePV3hI1_HVtTZWwGIwy0Cb-oLOsOTK3Um5KAYE/edit?usp=sharing/ Rapport S6]

* [https://docs.google.com/presentation/d/1Je_yF0dgc-s9gB7LLsfOg0b05xcwIFJbaqpVytxWv5A/edit?usp=sharing/ Présentation S6]

* [https://colab.research.google.com/drive/1y_NMo9XKJ0WzwE2zmcRblUyuIebwfoN8?usp=sharing/ Régression linéaire]

* [https://colab.research.google.com/drive/1bRyrnL1JM870cEcEvfGaS8ItrG16rchy?usp=sharing/ Google Colab]

==Fonctionnalités et Solutions adoptées==

IMA3/IMA4 2020/2022 P5

2021-10-22T11:20:41Z

Lbal1 : /* Librairies */

= <div class="mcwiki-header" style="border-radius: 15px; padding: 15px; font-weight: bold; text-align: center; font-size: 80%; background: #C2E5FF; vertical-align: top; width: 98%;"> '''Présentation générale''' </div> =

==Contexte==

==Introduction==

L’objectif de ce projet est la mise en place d’algorithmes de machine learning afin de diagnostiquer l’état de machines industrielles. Nous travaillons sur ce projet durant 2 semestres. Durant le premier semestre, nous avions comme objectifs d’acquérir la maîtrise des différentes librairies primordiales pour traiter les données en machine learning, ainsi que d’étudier et d’utiliser certains algorithmes basiques (régression linéaire, logistique, Bayes) sur des datasets que nous traiterons nous même.

==Répartition des tâches==

===Semestre 6===

Au début, comme le sujet était flou pour une majorité d’entre nous, nous nous sommes documentés tous ensemble sur différents livres à propos du machine learning et avons compris l’importance des librairies associées au machine learning.
Après s’être suffisamment documenté, 3 d’entre nous devaient réaliser un rapport sur les différentes librairies (Numpy pour Loïc, Pandas pour Tom, Seaborn pour Aymen), celui-ci se devait d’être assez explicite afin que les autres n’ayant pas travaillé sur ces librairies puissent acquérir des connaissances facilement en le lisant, Florian et Antoine, quant à eux, se sont occupées d’implémenter et d’analyser une première méthode de machine learning, la régression linéaire, et d’en effectuer un rapport.
Ensuite, une partie d’entre nous s’est intéressée à d’autres algorithmes de machine learning (Bayes pour Loïc et régression logistique pour Antoine) tandis que Florian et Tom se sont intéressées à diverses méthodes de pré-traitement de données (méthode SMOTE pour l’oversampling) à appliquer sur une base de données existantes et Aymen s’est occupé de la partie évaluation de l’efficacité d’un algorithme (avec notamment l’importance de la matrice de confusion).

===Semestre 7===

==Cahier des charges==

'''Ressources disponibles :'''

Livres sur le machine learning

Bases de données (afin d'appliquer divers algorithmes de machine learning) que nous prendrons sur ces sites :
https://www.kaggle.com/datasets
https://archive.ics.uci.edu/ml/datasets.php

Librairies Python (Scikit-learn, Pandas, Numpy, Seaborn, Matplotlib)

'''Objectifs poursuivis :'''

Détecter les dysfonctionnements de systèmes mécatroniques (par exemple les robots Khepera, Robotino…), grâce au machine learning.

Apprendre à implémenter différentes méthodes machine learning .

'''Profil du public cible :'''

Secteur mécatronique

Entreprises disposant d'ingénieurs pour maintenir le système informatique opérationnel

Entreprises utilisant des machines dans tous les secteurs

'''Analyse des besoins :'''

L’industrie a de plus en plus besoin du machine learning pour détecter les erreurs des systèmes. En effet, cette technologie devient indispensable pour les industriels, notamment afin d'accroître la productivité et l’efficacité des systèmes industriels.

Le programme peut ne pas être aussi rapide et optimisé en espace mémoire que d'autres programmes, nous visons l’efficacité de notre algorithme plutôt que la rapidité.

==Recherche bibliographique==

https://www.wikipedia.com

https://www.jybaudot.fr

https://datascientest.com/

https://www.ipgirl.com

Cours de probabilités et statistiques de l’Université Jules Vernes

Chaine youtube Machine Learning : https://www.youtube.com/channel/UCmpptkXu8iIFe6kfDK5o7VQ

Machine Learning with scikit-learn Quick Start Guide écrit par Kevin Jolly

https://lucidar.me/

https://archive.ics.uci.edu/ml/datasets.php

https://www.kaggle.com/datasets

https://www.datacamp.com/

Machine Learning algorithms - Second Edition écrit par Giuseppe Bonaccorso

https://www.datacamp.com

https://towardsdatascience.com/

https://www.learndatasci.com/

==Rapports et présentation==

===Librairies===

- [https://colab.research.google.com/drive/1CQZ1s6fNY_6MsmbBa5TP1OzSedqFeaWI?usp=sharing/ Rapport Numpy]

- [https://colab.research.google.com/drive/1tdu_B2wRsUiqdnSeskQENdn_wX3pJMeT?usp=sharing/ Rapport Pandas]

- [https://colab.research.google.com/drive/1DPS4ZT91SIEhscwST8kfER7u21tKoM3a?usp=sharing/ Rapport Seaborn]

===S6===

- [https://docs.google.com/document/d/1yR0vLePV3hI1_HVtTZWwGIwy0Cb-oLOsOTK3Um5KAYE/edit?usp=sharing/ Rapport S6]

- [https://docs.google.com/presentation/d/1Je_yF0dgc-s9gB7LLsfOg0b05xcwIFJbaqpVytxWv5A/edit?usp=sharing/ Présentation S6]

- [https://colab.research.google.com/drive/1bRyrnL1JM870cEcEvfGaS8ItrG16rchy?usp=sharing/ Google Colab]

==Fonctionnalités et Solutions adoptées==

IMA3/IMA4 2020/2022 P5

2021-10-22T11:20:30Z

Lbal1 : /* Rapports et présentation */

= <div class="mcwiki-header" style="border-radius: 15px; padding: 15px; font-weight: bold; text-align: center; font-size: 80%; background: #C2E5FF; vertical-align: top; width: 98%;"> '''Présentation générale''' </div> =

==Contexte==

==Introduction==

L’objectif de ce projet est la mise en place d’algorithmes de machine learning afin de diagnostiquer l’état de machines industrielles. Nous travaillons sur ce projet durant 2 semestres. Durant le premier semestre, nous avions comme objectifs d’acquérir la maîtrise des différentes librairies primordiales pour traiter les données en machine learning, ainsi que d’étudier et d’utiliser certains algorithmes basiques (régression linéaire, logistique, Bayes) sur des datasets que nous traiterons nous même.

==Répartition des tâches==

===Semestre 6===

Au début, comme le sujet était flou pour une majorité d’entre nous, nous nous sommes documentés tous ensemble sur différents livres à propos du machine learning et avons compris l’importance des librairies associées au machine learning.
Après s’être suffisamment documenté, 3 d’entre nous devaient réaliser un rapport sur les différentes librairies (Numpy pour Loïc, Pandas pour Tom, Seaborn pour Aymen), celui-ci se devait d’être assez explicite afin que les autres n’ayant pas travaillé sur ces librairies puissent acquérir des connaissances facilement en le lisant, Florian et Antoine, quant à eux, se sont occupées d’implémenter et d’analyser une première méthode de machine learning, la régression linéaire, et d’en effectuer un rapport.
Ensuite, une partie d’entre nous s’est intéressée à d’autres algorithmes de machine learning (Bayes pour Loïc et régression logistique pour Antoine) tandis que Florian et Tom se sont intéressées à diverses méthodes de pré-traitement de données (méthode SMOTE pour l’oversampling) à appliquer sur une base de données existantes et Aymen s’est occupé de la partie évaluation de l’efficacité d’un algorithme (avec notamment l’importance de la matrice de confusion).

===Semestre 7===

==Cahier des charges==

'''Ressources disponibles :'''

Livres sur le machine learning

Bases de données (afin d'appliquer divers algorithmes de machine learning) que nous prendrons sur ces sites :
https://www.kaggle.com/datasets
https://archive.ics.uci.edu/ml/datasets.php

Librairies Python (Scikit-learn, Pandas, Numpy, Seaborn, Matplotlib)

'''Objectifs poursuivis :'''

Détecter les dysfonctionnements de systèmes mécatroniques (par exemple les robots Khepera, Robotino…), grâce au machine learning.

Apprendre à implémenter différentes méthodes machine learning .

'''Profil du public cible :'''

Secteur mécatronique

Entreprises disposant d'ingénieurs pour maintenir le système informatique opérationnel

Entreprises utilisant des machines dans tous les secteurs

'''Analyse des besoins :'''

L’industrie a de plus en plus besoin du machine learning pour détecter les erreurs des systèmes. En effet, cette technologie devient indispensable pour les industriels, notamment afin d'accroître la productivité et l’efficacité des systèmes industriels.

Le programme peut ne pas être aussi rapide et optimisé en espace mémoire que d'autres programmes, nous visons l’efficacité de notre algorithme plutôt que la rapidité.

==Recherche bibliographique==

https://www.wikipedia.com

https://www.jybaudot.fr

https://datascientest.com/

https://www.ipgirl.com

Cours de probabilités et statistiques de l’Université Jules Vernes

Chaine youtube Machine Learning : https://www.youtube.com/channel/UCmpptkXu8iIFe6kfDK5o7VQ

Machine Learning with scikit-learn Quick Start Guide écrit par Kevin Jolly

https://lucidar.me/

https://archive.ics.uci.edu/ml/datasets.php

https://www.kaggle.com/datasets

https://www.datacamp.com/

Machine Learning algorithms - Second Edition écrit par Giuseppe Bonaccorso

https://www.datacamp.com

https://towardsdatascience.com/

https://www.learndatasci.com/

==Rapports et présentation==

===Librairies===

- Rapport Numpy [https://colab.research.google.com/drive/1CQZ1s6fNY_6MsmbBa5TP1OzSedqFeaWI?usp=sharing/ Rapport Numpy]

- Rapport Pandas [https://colab.research.google.com/drive/1tdu_B2wRsUiqdnSeskQENdn_wX3pJMeT?usp=sharing/ Rapport Pandas]

- [https://colab.research.google.com/drive/1DPS4ZT91SIEhscwST8kfER7u21tKoM3a?usp=sharing/ Rapport Seaborn]

===S6===

- [https://docs.google.com/document/d/1yR0vLePV3hI1_HVtTZWwGIwy0Cb-oLOsOTK3Um5KAYE/edit?usp=sharing/ Rapport S6]

- [https://docs.google.com/presentation/d/1Je_yF0dgc-s9gB7LLsfOg0b05xcwIFJbaqpVytxWv5A/edit?usp=sharing/ Présentation S6]

- [https://colab.research.google.com/drive/1bRyrnL1JM870cEcEvfGaS8ItrG16rchy?usp=sharing/ Google Colab]

==Fonctionnalités et Solutions adoptées==

IMA3/IMA4 2020/2022 P5

2021-10-22T11:15:08Z

Lbal1 : /* Recherche bibliographique */

= <div class="mcwiki-header" style="border-radius: 15px; padding: 15px; font-weight: bold; text-align: center; font-size: 80%; background: #C2E5FF; vertical-align: top; width: 98%;"> '''Présentation générale''' </div> =

==Contexte==

==Introduction==

L’objectif de ce projet est la mise en place d’algorithmes de machine learning afin de diagnostiquer l’état de machines industrielles. Nous travaillons sur ce projet durant 2 semestres. Durant le premier semestre, nous avions comme objectifs d’acquérir la maîtrise des différentes librairies primordiales pour traiter les données en machine learning, ainsi que d’étudier et d’utiliser certains algorithmes basiques (régression linéaire, logistique, Bayes) sur des datasets que nous traiterons nous même.

==Répartition des tâches==

===Semestre 6===

Au début, comme le sujet était flou pour une majorité d’entre nous, nous nous sommes documentés tous ensemble sur différents livres à propos du machine learning et avons compris l’importance des librairies associées au machine learning.
Après s’être suffisamment documenté, 3 d’entre nous devaient réaliser un rapport sur les différentes librairies (Numpy pour Loïc, Pandas pour Tom, Seaborn pour Aymen), celui-ci se devait d’être assez explicite afin que les autres n’ayant pas travaillé sur ces librairies puissent acquérir des connaissances facilement en le lisant, Florian et Antoine, quant à eux, se sont occupées d’implémenter et d’analyser une première méthode de machine learning, la régression linéaire, et d’en effectuer un rapport.
Ensuite, une partie d’entre nous s’est intéressée à d’autres algorithmes de machine learning (Bayes pour Loïc et régression logistique pour Antoine) tandis que Florian et Tom se sont intéressées à diverses méthodes de pré-traitement de données (méthode SMOTE pour l’oversampling) à appliquer sur une base de données existantes et Aymen s’est occupé de la partie évaluation de l’efficacité d’un algorithme (avec notamment l’importance de la matrice de confusion).

===Semestre 7===

==Cahier des charges==

'''Ressources disponibles :'''

Livres sur le machine learning

Bases de données (afin d'appliquer divers algorithmes de machine learning) que nous prendrons sur ces sites :
https://www.kaggle.com/datasets
https://archive.ics.uci.edu/ml/datasets.php

Librairies Python (Scikit-learn, Pandas, Numpy, Seaborn, Matplotlib)

'''Objectifs poursuivis :'''

Détecter les dysfonctionnements de systèmes mécatroniques (par exemple les robots Khepera, Robotino…), grâce au machine learning.

Apprendre à implémenter différentes méthodes machine learning .

'''Profil du public cible :'''

Secteur mécatronique

Entreprises disposant d'ingénieurs pour maintenir le système informatique opérationnel

Entreprises utilisant des machines dans tous les secteurs

'''Analyse des besoins :'''

L’industrie a de plus en plus besoin du machine learning pour détecter les erreurs des systèmes. En effet, cette technologie devient indispensable pour les industriels, notamment afin d'accroître la productivité et l’efficacité des systèmes industriels.

Le programme peut ne pas être aussi rapide et optimisé en espace mémoire que d'autres programmes, nous visons l’efficacité de notre algorithme plutôt que la rapidité.

==Recherche bibliographique==

https://www.wikipedia.com

https://www.jybaudot.fr

https://datascientest.com/

https://www.ipgirl.com

Cours de probabilités et statistiques de l’Université Jules Vernes

Chaine youtube Machine Learning : https://www.youtube.com/channel/UCmpptkXu8iIFe6kfDK5o7VQ

Machine Learning with scikit-learn Quick Start Guide écrit par Kevin Jolly

https://lucidar.me/

https://archive.ics.uci.edu/ml/datasets.php

https://www.kaggle.com/datasets

https://www.datacamp.com/

Machine Learning algorithms - Second Edition écrit par Giuseppe Bonaccorso

https://www.datacamp.com

https://towardsdatascience.com/

https://www.learndatasci.com/

==Rapports et présentation==

- Rapport Numpy

- Rapport Pandas

- Rapport Seaborn

- Rapport S6 [https://docs.google.com/document/d/1yR0vLePV3hI1_HVtTZWwGIwy0Cb-oLOsOTK3Um5KAYE/edit?usp=sharing]

==Fonctionnalités et Solutions adoptées==

IMA3/IMA4 2020/2022 P5

2021-10-22T11:14:34Z

Lbal1 : /* Présentation générale */

= <div class="mcwiki-header" style="border-radius: 15px; padding: 15px; font-weight: bold; text-align: center; font-size: 80%; background: #C2E5FF; vertical-align: top; width: 98%;"> '''Présentation générale''' </div> =

==Contexte==

==Introduction==

L’objectif de ce projet est la mise en place d’algorithmes de machine learning afin de diagnostiquer l’état de machines industrielles. Nous travaillons sur ce projet durant 2 semestres. Durant le premier semestre, nous avions comme objectifs d’acquérir la maîtrise des différentes librairies primordiales pour traiter les données en machine learning, ainsi que d’étudier et d’utiliser certains algorithmes basiques (régression linéaire, logistique, Bayes) sur des datasets que nous traiterons nous même.

==Répartition des tâches==

===Semestre 6===

Au début, comme le sujet était flou pour une majorité d’entre nous, nous nous sommes documentés tous ensemble sur différents livres à propos du machine learning et avons compris l’importance des librairies associées au machine learning.
Après s’être suffisamment documenté, 3 d’entre nous devaient réaliser un rapport sur les différentes librairies (Numpy pour Loïc, Pandas pour Tom, Seaborn pour Aymen), celui-ci se devait d’être assez explicite afin que les autres n’ayant pas travaillé sur ces librairies puissent acquérir des connaissances facilement en le lisant, Florian et Antoine, quant à eux, se sont occupées d’implémenter et d’analyser une première méthode de machine learning, la régression linéaire, et d’en effectuer un rapport.
Ensuite, une partie d’entre nous s’est intéressée à d’autres algorithmes de machine learning (Bayes pour Loïc et régression logistique pour Antoine) tandis que Florian et Tom se sont intéressées à diverses méthodes de pré-traitement de données (méthode SMOTE pour l’oversampling) à appliquer sur une base de données existantes et Aymen s’est occupé de la partie évaluation de l’efficacité d’un algorithme (avec notamment l’importance de la matrice de confusion).

===Semestre 7===

==Cahier des charges==

'''Ressources disponibles :'''

Livres sur le machine learning

Bases de données (afin d'appliquer divers algorithmes de machine learning) que nous prendrons sur ces sites :
https://www.kaggle.com/datasets
https://archive.ics.uci.edu/ml/datasets.php

Librairies Python (Scikit-learn, Pandas, Numpy, Seaborn, Matplotlib)

'''Objectifs poursuivis :'''

Détecter les dysfonctionnements de systèmes mécatroniques (par exemple les robots Khepera, Robotino…), grâce au machine learning.

Apprendre à implémenter différentes méthodes machine learning .

'''Profil du public cible :'''

Secteur mécatronique

Entreprises disposant d'ingénieurs pour maintenir le système informatique opérationnel

Entreprises utilisant des machines dans tous les secteurs

'''Analyse des besoins :'''

L’industrie a de plus en plus besoin du machine learning pour détecter les erreurs des systèmes. En effet, cette technologie devient indispensable pour les industriels, notamment afin d'accroître la productivité et l’efficacité des systèmes industriels.

Le programme peut ne pas être aussi rapide et optimisé en espace mémoire que d'autres programmes, nous visons l’efficacité de notre algorithme plutôt que la rapidité.

==Recherche bibliographique==

www.wikipedia.com

www.jybaudot.fr

https://datascientest.com/

www.ipgirl.com

Cours de probabilités et statistiques de l’Université Jules Vernes

Chaine youtube Machine Learning : https://www.youtube.com/channel/UCmpptkXu8iIFe6kfDK5o7VQ

Machine Learning with scikit-learn Quick Start Guide écrit par Kevin Jolly

https://lucidar.me/

https://archive.ics.uci.edu/ml/datasets.php

https://www.kaggle.com/datasets

https://www.datacamp.com/

Machine Learning algorithms - Second Edition écrit par Giuseppe Bonaccorso

www.datacamp.com

https://towardsdatascience.com/

https://www.learndatasci.com/

==Rapports et présentation==

- Rapport Numpy

- Rapport Pandas

- Rapport Seaborn

- Rapport S6 [https://docs.google.com/document/d/1yR0vLePV3hI1_HVtTZWwGIwy0Cb-oLOsOTK3Um5KAYE/edit?usp=sharing]

==Fonctionnalités et Solutions adoptées==

IMA3/IMA4 2020/2022 P5

2021-10-22T11:13:56Z

Lbal1 : /* Contexte */

= <div class="mcwiki-header" style="border-radius: 15px; padding: 15px; font-weight: bold; text-align: center; font-size: 80%; background: #C2E5FF; vertical-align: top; width: 98%;"> '''Présentation générale''' </div> =

==Contexte==

==Introduction==

L’objectif de ce projet est la mise en place d’algorithmes de machine learning afin de diagnostiquer l’état de machines industrielles. Nous travaillons sur ce projet durant 2 semestres. Durant le premier semestre, nous avions comme objectifs d’acquérir la maîtrise des différentes librairies primordiales pour traiter les données en machine learning, ainsi que d’étudier et d’utiliser certains algorithmes basiques (régression linéaire, logistique, Bayes) sur des datasets que nous traiterons nous même.

==Répartition des tâches==

===Semestre 6===

Au début, comme le sujet était flou pour une majorité d’entre nous, nous nous sommes documentés tous ensemble sur différents livres à propos du machine learning et avons compris l’importance des librairies associées au machine learning.
Après s’être suffisamment documenté, 3 d’entre nous devaient réaliser un rapport sur les différentes librairies (Numpy pour Loïc, Pandas pour Tom, Seaborn pour Aymen), celui-ci se devait d’être assez explicite afin que les autres n’ayant pas travaillé sur ces librairies puissent acquérir des connaissances facilement en le lisant, Florian et Antoine, quant à eux, se sont occupées d’implémenter et d’analyser une première méthode de machine learning, la régression linéaire, et d’en effectuer un rapport.
Ensuite, une partie d’entre nous s’est intéressée à d’autres algorithmes de machine learning (Bayes pour Loïc et régression logistique pour Antoine) tandis que Florian et Tom se sont intéressées à diverses méthodes de pré-traitement de données (méthode SMOTE pour l’oversampling) à appliquer sur une base de données existantes et Aymen s’est occupé de la partie évaluation de l’efficacité d’un algorithme (avec notamment l’importance de la matrice de confusion).

===Semestre 7===

==Cahier des charges==

'''Ressources disponibles :'''

Livres sur le machine learning

Bases de données (afin d'appliquer divers algorithmes de machine learning) que nous prendrons sur ces sites :
https://www.kaggle.com/datasets
https://archive.ics.uci.edu/ml/datasets.php

Librairies Python (Scikit-learn, Pandas, Numpy, Seaborn, Matplotlib)

'''Objectifs poursuivis :'''

Détecter les dysfonctionnements de systèmes mécatroniques (par exemple les robots Khepera, Robotino…), grâce au machine learning.

Apprendre à implémenter différentes méthodes machine learning .

'''Profil du public cible :'''

Secteur mécatronique

Entreprises disposant d'ingénieurs pour maintenir le système informatique opérationnel

Entreprises utilisant des machines dans tous les secteurs

'''Analyse des besoins :'''

L’industrie a de plus en plus besoin du machine learning pour détecter les erreurs des systèmes. En effet, cette technologie devient indispensable pour les industriels, notamment afin d'accroître la productivité et l’efficacité des systèmes industriels.

Le programme peut ne pas être aussi rapide et optimisé en espace mémoire que d'autres programmes, nous visons l’efficacité de notre algorithme plutôt que la rapidité.

==Rapports et présentation==

- Rapport Numpy

- Rapport Pandas

- Rapport Seaborn

- Rapport S6 [https://docs.google.com/document/d/1yR0vLePV3hI1_HVtTZWwGIwy0Cb-oLOsOTK3Um5KAYE/edit?usp=sharing]

==Fonctionnalités et Solutions adoptées==

IMA3/IMA4 2020/2022 P5

2021-10-22T11:13:46Z

Lbal1 : /* Description */

= <div class="mcwiki-header" style="border-radius: 15px; padding: 15px; font-weight: bold; text-align: center; font-size: 80%; background: #C2E5FF; vertical-align: top; width: 98%;"> '''Présentation générale''' </div> =

==Contexte==

==Introduction==

L’objectif de ce projet est la mise en place d’algorithmes de machine learning afin de diagnostiquer l’état de machines industrielles. Nous travaillons sur ce projet durant 2 semestres. Durant le premier semestre, nous avions comme objectifs d’acquérir la maîtrise des différentes librairies primordiales pour traiter les données en machine learning, ainsi que d’étudier et d’utiliser certains algorithmes basiques (régression linéaire, logistique, Bayes) sur des datasets que nous traiterons nous même.

==Répartition des tâches==

===Semestre 6===

Au début, comme le sujet était flou pour une majorité d’entre nous, nous nous sommes documentés tous ensemble sur différents livres à propos du machine learning et avons compris l’importance des librairies associées au machine learning.
Après s’être suffisamment documenté, 3 d’entre nous devaient réaliser un rapport sur les différentes librairies (Numpy pour Loïc, Pandas pour Tom, Seaborn pour Aymen), celui-ci se devait d’être assez explicite afin que les autres n’ayant pas travaillé sur ces librairies puissent acquérir des connaissances facilement en le lisant, Florian et Antoine, quant à eux, se sont occupées d’implémenter et d’analyser une première méthode de machine learning, la régression linéaire, et d’en effectuer un rapport.
Ensuite, une partie d’entre nous s’est intéressée à d’autres algorithmes de machine learning (Bayes pour Loïc et régression logistique pour Antoine) tandis que Florian et Tom se sont intéressées à diverses méthodes de pré-traitement de données (méthode SMOTE pour l’oversampling) à appliquer sur une base de données existantes et Aymen s’est occupé de la partie évaluation de l’efficacité d’un algorithme (avec notamment l’importance de la matrice de confusion).

===Semestre 7===

==Cahier des charges==

'''Ressources disponibles :'''

Livres sur le machine learning

Bases de données (afin d'appliquer divers algorithmes de machine learning) que nous prendrons sur ces sites :
https://www.kaggle.com/datasets
https://archive.ics.uci.edu/ml/datasets.php

Librairies Python (Scikit-learn, Pandas, Numpy, Seaborn, Matplotlib)

'''Objectifs poursuivis :'''

Détecter les dysfonctionnements de systèmes mécatroniques (par exemple les robots Khepera, Robotino…), grâce au machine learning.

Apprendre à implémenter différentes méthodes machine learning .

'''Profil du public cible :'''

Secteur mécatronique

Entreprises disposant d'ingénieurs pour maintenir le système informatique opérationnel

Entreprises utilisant des machines dans tous les secteurs

'''Analyse des besoins :'''

L’industrie a de plus en plus besoin du machine learning pour détecter les erreurs des systèmes. En effet, cette technologie devient indispensable pour les industriels, notamment afin d'accroître la productivité et l’efficacité des systèmes industriels.

Le programme peut ne pas être aussi rapide et optimisé en espace mémoire que d'autres programmes, nous visons l’efficacité de notre algorithme plutôt que la rapidité.

==Rapports et présentation==

- Rapport Numpy

- Rapport Pandas

- Rapport Seaborn

- Rapport S6 [https://docs.google.com/document/d/1yR0vLePV3hI1_HVtTZWwGIwy0Cb-oLOsOTK3Um5KAYE/edit?usp=sharing]

==Fonctionnalités et Solutions adoptées==

IMA3/IMA4 2020/2022 P5

2021-10-22T11:10:17Z

Lbal1 : /* Présentation générale */

IMA3/IMA4 2020/2022 P5

2021-10-22T11:09:21Z

Lbal1 : /* Introduction */

IMA3/IMA4 2020/2022 P5

2021-10-22T11:07:38Z

Lbal1 : /* Présentation générale */

IMA3/IMA4 2020/2022 P5

2021-10-22T11:03:58Z