Dans ce chapitre, vous commencerez par comprendre ce que sont les données IoT.
Vous apprendrez ensuite à acquérir des données IoT au moyen d'une API REST et à utiliser un flux de données MQTT pour recueillir des données en temps réel.

Introduction aux données de l'IdO

Appareils IoT

Acquisition de données

Acquérir des données avec pandas

Comprendre les données

Stocker des données

Lire des données à partir d'un fichier

Introduction aux flux de données

Qu'est-ce que MQTT

Un seul message MQTT

Enregistrer le flux de données

Accéder aux données IoT

Dans le deuxième chapitre, vous examinerez les données recueillies pendant le premier chapitre. Vous visualiserez les données et apprendrez l'importance des horodatages lorsqu'on travaille avec des flux de données. Vous mettrez aussi en place la mise en cache pour un flux de données MQTT.

Effectuer une EDA

Graphiques linéaires

Diagramme à histogramme

Nettoyer les données

Gérer les données manquantes

Données manquantes

Données manquantes II

Recueillir des données incrémentielles minimalistes

Quel horodatage?

Mettre en cache le flux de données

Date et heure

Préparer et visualiser des données incrémentales

Pivotage

Reformater les données

Analyser des données de compteur d'énergie

Traiter les données IoT

Dans ce chapitre, vous combinerez plusieurs sources de données avec différents intervalles de temps.
Vous analyserez ensuite les données pour détecter des corrélations, des valeurs aberrantes et des tendances.

Combiner des sources de données pour approfondir l'analyse

Concaténer des DataFrames

Combiner et rééchantillonner

Corrélation

Cartes thermiques

Pairplot

Valeurs aberrantes

Écart type

Autocorrélation

Saisonnalité et tendances

Décomposition saisonnière

Décomposition saisonnière II

Analyser les données IoT

Dans ce dernier chapitre, vous utiliserez les données analysées aux chapitres précédents pour bâtir un pipeline de Machine Learning. Vous apprendrez ensuite à intégrer ce pipeline dans un flux de données afin de faire des prédictions en temps réel.

Préparer les données pour le Machine Learning

Découpage entraînement/test

Régression logistique

Mise à l'échelle des données pour le Machine Learning

Performance du modèle

Mise à l'échelle

Mise à l'échelle II

Développer un pipeline de Machine Learning

Créer des pipelines

Stocker le pipeline

Appliquer un modèle de Machine Learning

Prédictions du modèle

Appliquer le modèle au flux de données

En conclusion

Machine Learning pour l'IoT

Environment

Traffic (light vehicles)

Traffic (heavy vehicles)

Avez-vous déjà entendu parler des dispositifs de l'Internet des objets ? Bien sûr. Vous avez peut-être même un Raspberry PI chez vous qui surveille la température et l'humidité.
  Les dispositifs IoT sont partout autour de nous et recueillent des données sur notre environnement.
  Vous analyserez des données environnementales, des données de circulation ainsi que des données de compteurs d'énergie.
  Au fil du cours, vous apprendrez à recueillir et à stocker des données provenant d'un flux de données.
  Vous préparerez des données IoT pour l'analyse, vous analyserez et visualiserez ces données, puis vous mettrez en place
  un simple modèle de Machine Learning pour agir lorsque certains événements surviennent et vous déploierez ce modèle
  dans un flux de données en temps réel.

Data Manipulation with pandas

Apprenez à importer, nettoyer et manipuler des données IoT en Python pour l'apprentissage automatique.

Analyse de données IoT avec Python

Importez, nettoyez et manipulez des données IoT en Python pour les préparer à l’apprentissage automatique.

Gérer les données manquantes

Analyse de données IoT avec Python

Exercice interactif pratique