Le principal objectif de ce cours est d’illustrer, sur un cas d’usage provenant de la communauté IoT, les possibilités de la science des données ou encore de l'intelligence artificielle. Plus précisément, il s'agit de mettre en œuvre des algorithmes d’apprentissage automatique/statistique (machine/statistical learning).
En résumé : comment embarquer de l'IA dans un objet connecté ?
Les données proviennent en effet d’enregistrements de l’accéléromètre et du gyroscope de smartphones, auxquels sont associées des transformations ou caractéristiques (features) qui en découlent (moyenne, corrélations, entropie, énergie dans une bande de fréquence...).
L’objectif concret est d’identifier l’activité du porteur : couché, assis, debout, marche, monte ou descend un escalier à partir des signaux ou de leurs transformations. Les applications et valorisations de ces données sont assez facile à imaginer : mesure d”activités, suivi de personnes dépendantes, déclenchement d’une alarme…
Nous commencerons par analyser le problème posé et le traduire en une démarche de science des données. Cela conduit à une séquence d'étapes bien identifiées :
explorer les propriétés des signaux issus de capteurs embarqués et de leurs transformations (features), en utilisant l’analyse en composantes principales (ACP) puis l’analyse factorielle discriminante (AFD) ;
estimer un modèle statistique ou entraîner un algorithme d'apprentissage élémentaire sur les données transformées, en apprécier la qualité ;
entraîner un algorithme complexe (deep learning) sur les signaux bruts pour atteindre la même qualité mais sans transformations préalables des données, trop coûteuses en énergie pour la batterie de l'objet connecté.
