@xebiconfr #xebiconfr
PARENTING 2.0Calmer son bébé avec du machine
learning et un Raspberry Pi
GiuliaBianchi
@xebiconfr #xebiconfr
LES OBJECTIFS
● Reconnaître en temps réel les pleurs d'un bébé
● Implémentation d'un projet data science de A à Z● Algorithme de machine learning déployé sur un Raspberry Pi
5
@xebiconfr #xebiconfr
10 types de sons d’environnement :
● pleurs de bébé
● sirène, klaxon, gazouillis d’oiseaux, cloches, orage● verre qui se casse, miaulement, aboiement, ronflements
40 enregistrements par type : 400 sons
12
JEU DE DONNÉES
@xebiconfr #xebiconfr
FEATURE ENGINEERING
Dans le domaine temporel :● zero crossing rate
En fréquence :● Mel Frequency Cepstrum Coefficients (#13)● Spectral centroid● Spectral rolloff● Spectral bandwidth
17 variables dérivées au total pour l'entraînement
15
@xebiconfr #xebiconfr
LE MODÈLE ET LA PRÉDICTION
Le modèle :● SVM● 10 fold cross validation● 72 % de bonnes prédictions
16
La prédiction :● Vote Majoritaire● Action : jouer une berceuse
9 s
5 s
5 s
5 s
5 s
5 s
@xebiconfr #xebiconfr
L'ORGANISATION DU CODE ET LE MATÉRIEL
17
CODELecture données d'entraînementFeature engineeringEntraînement du modèleSérialisation du modèle
CODEEnregistrement
Lecture des données enregistréesÉlaboration de données
PrédictionAction
MATÉRIELMacBookPro OS X El Capitan
2.2 GHz Intel Core i716 GB$$$$
MATÉRIELRaspberry Pi 2 Modèle B Raspbian Jessie900 MHz QUAD Core Broadcom BCM2836
1 GB$
@xebiconfr #xebiconfr
Machine learning au delà de challenges data science
● automatisation● reproductibilité
CONCLUSION
21
@xebiconfr #xebiconfr
Exemple en petite échelle d'un projet data :
● déployé sur un cluster● générateur de valeur
CONCLUSION
22