Performance

LiDAR Forest – Télécharger

La technologie de détection et de télémétrie par lumière (LIDAR) est devenue un outil essentiel pour la préservation de l'environnement. Lidar est une technologie qui utilise un laser pour cibler un objet ou une surface et chronométrer le retour de la lumière réfléchie vers le récepteur. Elle peut être utilisée, par exemple, pour générer des représentations 3D informatisées de zones à la surface de la Terre. Par conséquent, les écologistes et les biologistes ont trouvé le meilleur partenaire dans cette technologie pour les activités de détection, de classification et de conservation. Cependant, cette technologie nécessite des ressources informatiques importantes pour traiter les millions de points obtenus pour un seul mètre carré d'analyse. Tous ces points doivent être classifiés et segmentés, et il existe diverses méthodologies mathématiques et computationnelles qui peuvent être utilisées pour traiter toutes ces données et produire des résultats lisibles et interprétables. Cet ensemble de données contient une représentation LIDAR de trois arbres. Chaque point est représenté par ses coordonnées X, Y et Z. Ainsi, l'ensemble de données n'a que trois variables d'entrée (x, y, z) et une cible (Arbre).

Cible : Arbre

Source des données : CIFOR et Université de Wageningen

Licence : Fichiers de données © CIFOR et Université de Wageningen

Référence :

Gonzalez de Tanago, J, Lau, A, Bartholomeus, H, et al. (2018). Estimation de la biomasse aérienne des grands arbres tropicaux avec LiDAR terrestre. Methods Ecol Evol. 9 : 223–234. https://doi.org/10.1111/2041-210X.12904

Boson de Higgs – Télécharger

Ce jeu de données contient une tâche de référence pour des algorithmes de classification en machine learning, conçue pour distinguer un processus de signal où de nouveaux bosons de Higgs théoriques sont produits, et un processus de fond avec des produits de désintégration identiques mais des caractéristiques cinématiques distinctes (Baldi P. et al, 2014). Le jeu de données contient les colonnes suivantes : la colonne cible (« Label ») est l'étiquette de classe (1 pour le signal, 0 pour le fond). Il y a 28 caractéristiques (21 caractéristiques de bas niveau puis 7 caractéristiques de haut niveau) : lepton pT, lepton eta, lepton phi, magnitude de l'énergie manquante, phi de l'énergie manquante, jet 1 pt, jet 1 eta, jet 1 phi, jet 1 b-tag, jet 2 pt, jet 2 eta, jet 2 phi, jet 2 b-tag, jet 3 pt, jet 3 eta, jet 3 phi, jet 3 b-tag, jet 4 pt, jet 4 eta, jet 4 phi, jet 4 b-tag, m_jj, m_jjj, m_lv, m_jlv, m_bb, m_wbb, m_wwbb. La description détaillée de ces colonnes peut être trouvée dans Baldi P. et al. 2014.

Cible: Étiquette

Source de données : https://archive.ics.uci.edu/ml/datasets/higgs

Licence : Fichiers de données © Daniel Whiteson

Référence :

Baldi, P., Sadowski, P., et Whiteson, D. (2014). Recherche de particules exotiques en physique des hautes énergies avec le deep learning. Communications Nature, 5(1), 1-9.

Lois universelles de la physique - Télécharger

Les algorithmes d'apprentissage automatique sont actuellement utilisés pour automatiser la découverte des principes physiques et des équations gouvernantes basés sur des données plutôt que sur la résolution de systèmes d'équations complexes. En abordant le problème classique de la modélisation des objets en chute de différentes tailles et masses, nous pouvons identifier un certain nombre de problèmes difficiles qui doivent être gérés par les méthodes récentes basées sur les données pour la découverte automatisée de la physique. Nous visons à traiter le problème classique de la modélisation des objets en chute de différentes tailles et masses pour la découverte automatisée de la physique. La recherche théorique sur les forces fluides sur une sphère idéalisée a donné lieu à une vaste histoire de recherches scientifiques. En dehors de la gravité et de la traînée, la trajectoire d'une balle peut être modifiée par sa rotation via la force de Magnus ou la force de portance, qui agit de manière orthogonale à la traînée. D'autres variables pouvant affecter les forces produites par une balle en chute incluent la température de l'air, le vent, l'altitude et la forme de la surface de la balle (de Silva et al. 2020). La source du jeu de données est l'article « Discovery of Physics From Data: Universal Laws and Discrepancies » (de Silva et al. 2020). Le jeu de données comprend des observations pour neuf types différents de balles : une balle de golf, une balle de baseball, une balle de tennis, une balle de basketball bleue, une balle de basketball verte, une balle de whiff, une balle de whiffle jaune et une balle de whiffle orange.

Cible : Temps d'atterrissage

Source des données : https://www.frontiersin.org/files/Articles/479363/frai-03-00025-HTML/image_m/frai-03-00025-t001.jpg

Licence : Données © Silva, B. M., Higdon, D. M., Brunton, S. L., Kutz, J. N

Référence :

de Silva, B. M., Higdon, D. M., Brunton, S. L., & Kutz, J. N. (2020). Découverte de la physique à partir des données : lois universelles et divergences. Frontiers in artificial intelligence, 3, 25. https://doi.org/10.3389/frai.2020.00025

Churn des télécommunications - Télécharger

Le churn des clients, également connu sous le nom d'attrition des clients, fait référence au pourcentage de clients qui cessent d'utiliser les produits ou services d'une entreprise sur une période donnée. C'est un indicateur important pour une entreprise de télécommunications à mesurer car le churn des clients peut avoir des implications financières significatives. Les entreprises de télécommunications ont généralement des coûts fixes élevés, tels que le coût de construction et de maintenance des réseaux et infrastructures, et ces coûts doivent être répartis sur une large base de clients pour être financièrement viables. Si le taux de churn des clients est élevé, cela peut entraîner une baisse du nombre total de clients, ce qui peut rendre plus difficile pour l'entreprise de couvrir ses coûts fixes. Cela peut finalement conduire à une baisse de la rentabilité. En suivant le taux de churn des clients, une entreprise de télécommunications peut identifier des tendances et des motifs dans le comportement des clients, et prendre des mesures pour améliorer la fidélisation et réduire le taux de churn. Cela pourrait inclure l'offre de prix plus compétitifs, l'amélioration du service client, ou l'introduction de nouveaux produits et services qui sont plus attrayants pour les clients.

Cible : Churn

Source des données : Jeu de données adapté de la communauté IBM Business Analytics (https://community.ibm.com/community/user/businessanalytics/blogs/steven-macko/2019/07/11/telco-customer-churn-1113).

Licence : Fichiers de données © IBM

Données météorologiques - Télécharger

Prévoir la météo est important pour les communautés pour diverses raisons. Tout d'abord, des prévisions météorologiques précises peuvent aider les gens à rester en sécurité en leur permettant de se préparer à des événements météorologiques extrêmes, tels que des ouragans, des inondations et des tempêtes de neige. Par exemple, si une communauté sait qu'une tempête majeure approche, elle peut prendre des mesures pour sécuriser ses maisons, évacuer si nécessaire et faire des provisions. En plus des préoccupations de sécurité, des prévisions météorologiques précises sont également importantes pour des raisons économiques. De nombreuses entreprises et industries sont affectées par la météo, et elles s'appuient sur des prévisions précises pour planifier leurs opérations et prendre des décisions éclairées. Par exemple, les agriculteurs doivent savoir quel sera le temps pour décider quand planter et récolter leurs cultures, et les entreprises de construction doivent savoir s'il fera chaud ou froid pour planifier leurs horaires de travail. Enfin, des prévisions météorologiques précises sont importantes pour la vie quotidienne. Elles permettent aux gens de planifier leurs activités en plein air et de prendre des décisions sur quoi porter et comment voyager. Elles peuvent également avoir un impact sur l'humeur et le bien-être des gens, car un mauvais temps peut rendre les gens mélancoliques ou même affecter leur santé mentale.

Cible : Météo

Source des données : Adapté des données météorologiques horaires historiques 2012-2017 (https://www.kaggle.com/datasets/selfishgene/historical-hourly-weather-data?select=pressure.csv).

Licence : Cet ensemble de données est mis à disposition sous la licence Open Database License : http://opendatacommons.org/licenses/odbl/1.0/. Tous les droits sur les contenus individuels de la base de données sont licenciés sous la Database Contents License : http://opendatacommons.org/licenses/dbcl/1.0/