Dans ce chapitre, vous allez d’abord comprendre ce que sont les données IoT.
Ensuite, vous apprendrez à acquérir des données IoT via une API REST et à utiliser un flux MQTT pour collecter des données en temps réel.

Introduction aux données IoT

Appareils IoT

Acquisition de données

Acquérir des données avec pandas

Comprendre les données

Stocker des données

Lire des données depuis un fichier

Introduction aux flux de données

Qu’est-ce que MQTT

Message unique MQTT

Enregistrer le flux de données

Accéder aux données IoT

Dans le deuxième chapitre, vous examinerez les données recueillies lors du premier chapitre. Vous visualiserez ces données et découvrirez l’importance des horodatages lorsque l’on travaille avec des flux de données. Vous ajouterez également une mise en cache à un flux MQTT.

Réaliser une EDA

Graphiques linéaires

Histogramme

Nettoyer les données

Gérer les données manquantes

Données manquantes

Données manquantes II

Collecter des données incrémentales 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 des intervalles temporels différents.
Vous analyserez ensuite les données pour détecter des corrélations, des valeurs aberrantes et des tendances.

Combiner des sources de données pour une analyse approfondie

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 dans les chapitres précédents pour construire un pipeline de machine learning. Vous apprendrez ensuite à intégrer ce pipeline dans un flux de données afin de produire des prédictions en temps réel.

Préparer les données pour le Machine Learning

Séparation train/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

Pour conclure

Machine Learning pour l’IoT

Environment

Traffic (heavy vehicles)

Traffic (light vehicles)

Avez-vous déjà entendu parler des appareils de l’Internet des objets (IoT) ? Bien sûr. Vous avez peut‑être même un Raspberry PI chez vous qui mesure la température et l’humidité.
  Les appareils IoT sont partout autour de nous et collectent des données sur notre environnement.
  Vous analyserez des données environnementales, des données de trafic ainsi que des données de compteurs d’énergie.
  Au fil du cours, vous apprendrez à collecter et stocker des données issues d’un flux.
  Vous préparerez des données IoT pour l’analyse, puis vous les analyserez et les visualiserez, avant de mettre en place
  un simple modèle de machine learning pour déclencher des actions lorsque certains événements surviennent, puis de déployer ce modèle
  sur un flux de données en temps réel.

Data Manipulation with pandas

Apprenez à importer, nettoyer et manipuler des données IoT en Python pour le machine learning.

Analyzing IoT Data in Python

Découvrez comment importer, nettoyer et manipuler des données IoT dans Python afin de les préparer pour le machine learning.

Pivotage

Analyzing IoT Data in Python

Exercice interactif pratique