IA et apprentissage automatique pour l'analyse des risques : fondements et pratique
- Niveau
- L2 Intermédiaire
- Temps d'étude
- environ 24 heures (estimation de planification)
- Statut
- Prévu
- Prérequis
- Un cours de niveau L1 dans le domaine, ou un examen d'entrée
Les modèles météorologiques d'apprentissage automatique (GraphCast, 2023 ; GenCast, 2024) égalent ou surpassent désormais les ensembles physiques sur de nombreux scores, le CEPMMT exploite son AIFS en opérationnel depuis 2025, et la prévision des crues par IA couvre les bassins non jaugés : les analystes du risque doivent donc savoir quand se fier à ces modèles.
Science, Learning skillful medium-range global weather forecasting (Lam et al.),
Acquis d'apprentissage
- Définir « émulateur » et les autres termes clés de la discipline, et les employer correctement dans une étude de cas écrite
- Expliquer l'apprentissage supervisé pour les résultats de risque, ainsi que les émulateurs et modèles de substitution des modèles physiques et de catastrophe, avec un exemple travaillé et sa source
- Appliquer la méthode de la discipline à un cas documenté et expliquer chaque résultat avec sa source
- Analyser un cas nommé au regard de la quantification de l'incertitude en apprentissage automatique, en indiquant les données probantes, la date et les limites
Modules
-
Apprentissage supervisé pour les résultats de risque
- Apprentissage supervisé pour les résultats de risque
- Émulateurs et modèles de substitution des modèles physiques et de catastrophe
- Uncertainty quantification in machine learning
-
Prédiction conforme et couverture sans hypothèse de distribution
- Prédiction conforme et couverture sans hypothèse de distribution
- Anomaly detection and change detection
- Modèles de fondation géospatiaux et plongements satellitaires
-
Inférence causale et apprentissage automatique
- Inférence causale et apprentissage automatique
- Validation, suivi de la dérive et risque de modèle pour l'apprentissage automatique
- Équité et biais dans les modèles de risque
-
Laboratoire : la méthode de la discipline
- Un modèle appris fournit une prédiction ponctuelle sans aucune garantie associée ; mettre de côté un jeu de calibration, classer ses résidus et prendre un quantile enveloppe la prédiction dans un intervalle dont la couverture est assurée sans aucune hypothèse sur le modèle, et la taille du jeu de calibration détermine la précision de cette garantie.
- Appliquer la méthode à un cas documenté et expliquer chaque résultat
- Lire les sources de la méthode et les valeurs indiquées
Laboratoires avec les outils de l'Academy
Méthode
- D'un modèle entraîné à un intervalle à couverture garantie : résidus, quantile conforme et couverture sur laquelle un utilisateur peut compterLa méthode de la discipline, présentée sur la page de la discipline avec ses sources citées, appliquée à un cas documenté
Instrument
- Ajusteur de distributionUn instrument de la faculté, sur la page de la faculté, exécuté sur les données du jumeau numérique de la faculté
- Période de retourUn instrument de la faculté, sur la page de la faculté, exécuté sur les données du jumeau numérique de la faculté
Constructeur de jumeau
- Constructeur de jumeau numériqueConstruire le lieu de la faculté en 3D, activer ou désactiver les couches et lire les crédits et les dates de chacune
Couche cartographique
- Séismes M4.5+, semaine écoulée (USGS)Une couche cartographique ouverte admise par le registre des licences de l'Academy, lue dans les outils cartographiques
- Densité de population, 2020 (GPW v4.11)Une couche cartographique ouverte admise par le registre des licences de l'Academy, lue dans les outils cartographiques
- Événements naturels (NASA EONET)Une couche cartographique ouverte admise par le registre des licences de l'Academy, lue dans les outils cartographiques
Salle Foundry
- Salle d'expériences, NXS-LABExpériences contrôlées qui confrontent un modèle à des événements mis de côté
- Salle Benchmarks, NXS-LABBenchmarks comparant modèles appris et modèles physiques sur une même tâche
Évaluation
- 40%
Compte rendu de laboratoire
Appliquer la méthode de la discipline à un cas documenté et expliquer chaque résultat avec sa source et sa date
- 40%
Note de cas
Appliquer les méthodes de la discipline à un lieu ou à une organisation nommés, en précisant les données probantes et les limites
- 20%
Contrôle des termes clés
Réponses courtes sur les termes clés, notées par rapport aux définitions
Mode de dispensation
- En ligne à votre rythme, avec les laboratoires dans le navigateur
- Étude en cohorte sur six à huit semaines, avec une revue de laboratoire hebdomadaire
- Co-dispensé avec une institution partenaire, dans le cadre de ses propres cours
Devenir partenaire de ce cours
- Co-enseigner un module et apporter un cas actuel tiré de votre travail
- Accueillir une cohorte pour vos apprenants, avec votre propre calendrier et votre propre évaluation
- Contribuer un laboratoire : un jeu de données que votre institution publie en accès ouvert, ou un modèle
- Examiner le contenu du cours et ses références avant son ouverture
- Traduire le cours et adapter ses cas à votre région
Comment les institutions et les experts participent
Dans le LMS de l'Academy
- Course on the learning platform
- Intermediate, 4 sections
- Groupe de cohorte
- A community group for each cohort of learners
- Réalisation
- Recorded on completion of the assessed work