Après avoir aperçu un robot se réparant seul, un agent lui tire une balle dans la tête, rendant son biokernel apparemment illisible et inutilisable. Jacq Vaucan, agent d’assurance travaillant pour la ROC, est chargé d’enquêter sur l’origine de cette malfaçon, ce qui le conduit à découvrir une série d’anomalies et de comportements étranges de la part des automates.

Au cours de son enquête, il est amené à s’intéresser à un robot soudeur, qui s’immole par le feu devant ses propres yeux, brisant ainsi le second protocole. Ayant relaté ce fait, Jacq n’est pas cru par ses pairs, et poursuit néanmoins sa recherche d’un « Horloger », personne supposée capable d’un exploit technique tel que le contournement théoriquement impossible des protocoles.

Devenu méfiant de la ROC, Jacq décide d’aller voir le Docteur Dupré, brillante chercheuse en robotique qui parvient à faire parler le biokernel endommagé et à le copier sur le biokernel d’une Cleo, devenue alors capable de se réparer elle-même et d’apprendre extrêmement vite. Le Biokernel est à la fois capable de construire des nouveaux protocoles comme de produire des protocoles résultant d’une combinaison de ses connaissances.

Le Docteur Dupré décide de donner à Jacq le processus de création de nouveaux algorithmes dans le biokernel. La première étape est la récupération et le nettoyage des données. Pour cela, le Docteur Dupré donne à Jacq une série de valeur montrant l’activité énergétique du biokernel :

https://www.kaggle.com/robikscube/hourly-energy-consumption

Jacq décide alors de faire appel à un spécialiste (vous) afin de mieux comprendre comment à partir d’une série de données, le biokernel arrive à en tirer une IA prédictive et autonome.

Votre première mission et de nettoyer ces données, pour cela vous utiliser le protocole standard suivant :

• Pour chaque jour
  • Fixer la valeur de début de journée en MWh
  • Pour chaque heure de la journée, calculer la pente d’évolution de la consommation (à 0,01%)

Chaque valeur de la pente forme un symbole de votre alphabet, chaque jour forme un mot. Ainsi, la comparaison des mots permettra à la machine de mieux comprendre l’évolution de sa consommation en au cours du temps.

Puisque le détail d’évolution de la consommation est assez précis, cela va générer de très nombreux symboles dans l’alphabet, il vous faut alors nettoyer l’alphabet afin de limiter le bruit. Vous avez au plus 24 symboles pour chaque journée, si vous fabriquez les mots sur un mois, cela vous engendrera plus de 700 symboles. Vous avez donc l’idée de regrouper les données similaires au sein d’une même valeur référente grâce à l’algorithme des k-Means :

https://www.datacamp.com/community/tutorials/k-means-clustering-r

Notation

1. Donner les mots engendrés sur une semaine (5 points)
2. Expliquer à l’aide des mots engendrés l’algorithme des k-Means (5 points)
3. Montrer le résultat obtenu (via R) sur un mois de consommation (5 points)