Karzazi, HayatLarbaoui, Maghnia2021-04-122021-04-122019-07-06salle des thèsesMS-003-269-01https://dspace.univ-tlemcen.dz/handle/112/16359Apprentissage non supervisé, les réseaux de capteurs sans fil, Isolation Forest, One-Class SVM, K-Means, KNIME.Le but de ce projet est d’utiliser des méthodes de détection des anomalies dans les séries temporelles pour identifier les défaillances électriques et l’énergie gaspillée dans les bâtiments résidentiels. Dans ce contexte, nous avons utilisées trois méthodes issues de l’apprentissage non supervisé pour la détection des anomalies dans la consommation d’électricité dans les bâtiments. Ces méthodes sont : Isolation Forest, One-Class SVM et K-Means. Les résultats obtenus ont montré que chaque méthode estime une telle donnée comme anomalie ou non et que la méthode basée sur One-Class SVM a montré ses performances comparativement aux autres. The goal of this project is to use time series anomaly detection methods to identify electrical failures and wasted energy in residential buildings. In this context, we used three methods from unsupervised learning to detect anomalies in electricity consumption in buildings. These methods are: Forest Isolation, One-Class SVM, and K-Means. The results obtained showed that each method estimates such a data as an anomaly or not and that the method based on One-Class SVM showed its performance compared to the others.frUnsupervised Learning, Wireless Sensor Networks, Forest Isolation, One-Class SVM, KMeans, KNIMEThesis