Événements 2023

📍 Journée Machine Learning & Climat (2023)

Présentation générale

Cette journée, co-organisée par EDF R&D et le réseau français d’ENBIS
(frENBIS), s’inscrit dans les actions de promotion de la statistique et des méthodes d’apprentissage machine au sein des entreprises et de l’industrie.

La matinée était consacrée à une formation sur les modèles additifs généralisés (GAM), animée par
Matteo Fasiolo, Senior Lecturer à la School of Mathematics – Statistical Science de l’University of Bristol, et auteur des packages
qGAM et mgcViz.

Les fondements théoriques des GAM ont été présentés, accompagnés d’illustrations pratiques en R (notebooks).

L’après-midi a été dédiée à des exposés issus du monde académique et industriel, illustrant des applications du machine learning à la modélisation du climat et des phénomènes environnementaux.

🧭 Informations pratiques

  • 📍 Lieu : EDF Lab Saclay
  • 📅 Date : jeudi 19 octobre 2023
  • 💰 Inscription : gratuite, inscription obligatoire (formulaire en bas de page)

🕒 Programme

Matinée – Formation (GAM)

Horaire Contenu
09h00 – 09h30 Accueil café
09h30 – 11h00 Modèles additifs généralisés (GAM) – Cours 1
11h00 – 11h15 Pause
11h15 – 12h30 Modèles additifs généralisés (GAM) – Cours 2

Pause déjeuner

Après-midi – Conférences et applications climat

Horaire Titre Intervenant
13h45 – 14h25 Near real-time global power production data and implications of climate extremes Philippe Ciais, Directeur de recherche, LSCE
14h25 – 15h05 Leveraging AI for weather prediction at Météo-France: a review of ongoing activities Laure Reynaud, Chercheuse au CNRM (Météo-France / CNRS)
15h05 – 15h45 How to aggregate climate data to predict crop yield: an application to soybean Mathilde Chen, Post-doctorante, MIA Paris-Saclay
15h45 Café & networking

🎯 Objectifs scientifiques

Cette journée avait pour objectif de :

  • présenter des outils statistiques modernes (GAM) pour l’analyse de données complexes,
  • illustrer des applications concrètes du machine learning au climat, à l’énergie et à l’agriculture,
  • favoriser les échanges entre chercheurs, ingénieurs et praticiens, dans une perspective interdisciplinaire.

Une attention particulière a été portée aux enjeux liés :

  • à la prévision météorologique et climatique,
  • à l’impact des événements extrêmes,
  • à l’exploitation de données environnementales pour l’aide à la décision.