README — TP Machine Learning avec NASA C-MAPSS (marimo + pixi)

Ce dépôt contient une série de 6 notebooks marimo pour un TP de machine learning appliqué à la maintenance prédictive sur le jeu de données NASA C-MAPSS.

L’objectif pédagogique est progressif :

1. Explorer les données
2. Découvrir scikit-learn (SVM / Random Forest)
3. Comprendre l’intérêt du split et du grid search
4. Créer / sélectionner des features
5. Montrer l’impact du changement de domaine opératoire (FD001 → FD002)
6. Passer de la classification à la régression (RUL)

---

Structure du projet

La structure exacte peut varier légèrement selon votre dépôt, mais l’organisation attendue est de ce type :

.
├── pixi.toml                  # Configuration de l'environnement pixi
├── README.md                  # Ce fichier
├── data/                      # Données C-MAPSS (non versionnées en général)
├── notebooks/                 # Notebooks marimo (noms indicatifs)
│   ├── TP01_aed.py            # Analyse exploratoire des données
│   ├── TP02_hello_world.py    # Premiers modèles SVM / RF (brut)
│   ├── TP03_grid_search.py    # Split, validation, grid search
│   ├── TP04_features.py       # Sélection / création de features
│   ├── TP05_domaine_operationnel.py  # FD001 -> FD002 (domain shift)
│   └── TP06_regression.py     # Régression de RUL (SVR / RF Regressor)
└── reports/                   # (optionnel) exports HTML/PDF / corrigés / figures

Remarques importantes

• Le dossier data/ n’est généralement pas inclus dans Git (poids / licence / réutilisation locale).
• Les notebooks marimo sont des scripts Python (.py) exécutables via marimo.
• Certains TPs produisent des artefacts (modèles entraînés, sélection de features) utilisés dans les TPs suivants.

---

Prérequis

• Python (géré via pixi)
• pixi installé sur votre machine
• Accès au jeu de données NASA C-MAPSS (via Kaggle ou autre source fournie par l’enseignant)

---

Installation

1) Cloner le dépôt

git clone https://github.com/remicastaing/pdm_cmapss.git
cd pdm_cmapss

ou

gh repo clone remicastaing/pdm_cmapss
cd pdm_cmapss

2) Installer pixi (si nécessaire)

Voir la documentation officielle de pixi (selon votre OS : macOS / Linux / Windows).

3) Créer l’environnement du projet

Depuis la racine du projet :

pixi install

Cela installe toutes les dépendances définies dans pixi.toml (ex. : marimo, pandas, numpy, scikit-learn, matplotlib, etc.).

---

Lancement de marimo (commande pixi run tp)

Le projet est configuré pour être lancé avec :

pixi run tp

Cette commande démarre marimo (serveur local) et permet d’ouvrir le notebook TP prévu par la configuration du projet.

Cas fréquents

Selon votre pixi.toml, pixi run tp peut :

• lancer un notebook spécifique (ex : TP01),
• ouvrir marimo sur un fichier .py donné,
• ou démarrer un workflow personnalisé.

Si besoin, vous pouvez aussi lancer directement un notebook marimo (exemples) :

pixi run marimo edit notebooks/TP01_aed.py

ou

pixi run marimo run notebooks/TP01_aed.py

edit : mode interactif (édition/exécution)

run : exécution “application”

---

Conseils d’utilisation en TP

• Exécuter les cellules dans l’ordre (surtout pour les notebooks de modélisation).
• Éviter de renommer des variables utilisées plus loin (X_tr, X_te, y_tr, y_te, feature_cols, etc.) sans adapter les cellules suivantes.
• Dans marimo, certaines erreurs proviennent de la redéfinition d’une variable existante dans une autre cellule.
• Les temps d’entraînement peuvent augmenter fortement si vous activez trop de features (rolling stats, slopes, etc.).

---

Objectif des 6 notebooks

TP01 — Analyse exploratoire des données (AED)

But : comprendre la structure du dataset C-MAPSS (FD001 en premier), les colonnes, les capteurs, les conditions opératoires, la variable cible RUL / classe à risque.

Compétences visées

• Lecture de fichiers texte sans en-tête
• Compréhension de unit, cycle, op1..op3, s1..s21
• Construction de la RUL (train)
• Définition d’une cible binaire y à partir d’un seuil N
• Statistiques descriptives, distributions, corrélations, heatmap

Message pédagogique clé

Avant de modéliser, il faut comprendre les données (structure, bruit, redondances, colonnes quasi constantes, déséquilibre de classes).

---

TP02 — Découverte de scikit-learn (SVM / Random Forest “hello world”)

But : prendre en main l’API scikit-learn avec des modèles simples sur les capteurs bruts (sans feature engineering).

Compétences visées

• fit, predict, predict_proba / decision_function
• SVM et Random Forest (classification)
• Pipeline (StandardScaler + SVC)
• Évaluation de base :
  • matrice de confusion
  • classification report
  • accuracy / precision / recall / F1
  • ROC-AUC / PR-AUC
  • courbes ROC et PR

Message pédagogique clé

Une bonne accuracy peut masquer un mauvais modèle en cas de classe déséquilibrée.

---

TP03 — Split, validation et Grid Search

But : montrer pourquoi il faut valider correctement un modèle et comment chercher des hyperparamètres.

Compétences visées

• Split par moteur (group split) pour éviter la fuite d’information
• Validation croisée avec groupes (GroupKFold)
• GridSearchCV
• Hyperparamètres SVM (C, gamma)
• Hyperparamètres RF (max_depth, min_samples_leaf, max_features, éventuellement n_estimators)
• Comparaison train / validation / test

Message pédagogique clé

Sans split rigoureux (par moteur), les performances peuvent être artificiellement optimistes.

---

TP04 — Feature engineering et sélection de features

But : construire des features plus informatives que les capteurs bruts, puis réduire leur nombre pour garder un TP praticable.

Compétences visées

• Création de features temporelles compactes (par moteur / par fenêtre) :
  • moyennes, écarts-types, min/max, amplitude
  • slopes / tendances
  • EMA, deltas, etc. (selon la recette retenue)
• Gestion des NaN (et suppression cohérente de colonnes)
• Sélection de capteurs / features utiles
• Validation rapide par modèle proxy (souvent RF)
• Réentraînement SVM / RF sur features sélectionnées
• Sauvegarde de la “recette” et des modèles

Message pédagogique clé

Plus de features ≠ meilleur TP.
Il faut trouver un compromis entre performance, temps de calcul et lisibilité pédagogique.

---

TP05 — Domaine opérationnel (FD001 → FD002)

But : démontrer qu’un modèle entraîné sur FD001 peut mal généraliser à FD002 si le domaine opératoire change.

Compétences visées

• Chargement des modèles / recette du TP04
• Prétraitement cohérent de FD002 (mêmes colonnes, mêmes features)
• Évaluation hors domaine
• Analyse du domain shift :
  • distributions de op1..op3
  • déplacement des distributions capteurs/features
  • chute des métriques (ROC-AUC / PR-AUC / recall positif)

Message pédagogique clé

Un modèle ML est valable pour un domaine de données donné.
Changer le domaine (conditions opératoires) peut faire s’effondrer les performances.

---

TP06 — Régression (prédiction de RUL)

But : passer de la classification binaire (“à risque / pas à risque”) à la régression du RUL.

Compétences visées

• Construction de la cible continue RUL
• Régression avec :
  • SVR (SVM de régression)
  • RandomForestRegressor
• Baseline (prédire la moyenne)
• Métriques de régression :
  • MAE
  • RMSE
  • R²
• Visualisation des trajectoires de prédiction par moteur

Message pédagogique clé

La régression donne une information plus fine (RUL estimé), mais elle est souvent plus difficile à stabiliser et à interpréter.

---

Enchaînement recommandé des TPs

1. TP01 : compréhension des données
2. TP02 : premiers modèles (API scikit-learn)
3. TP03 : validation rigoureuse + réglage
4. TP04 : features + sélection + sauvegarde
5. TP05 : robustesse / domaine opératoire
6. TP06 : régression du RUL

---

Artefacts produits (selon les TPs)

Le TP04 peut sauvegarder :

• la recette de features (colonnes retenues, paramètres de calcul, colonnes supprimées)
• les modèles entraînés :
  • svm_model.joblib
  • rf_model.joblib

Ces artefacts sont ensuite rechargés dans le TP05 pour tester le transfert FD001 → FD002.

---

Auteur / Contexte pédagogique

Ce matériel est conçu pour un TP de machine learning appliqué à la maintenance prédictive (NASA C-MAPSS), avec une progression pédagogique orientée :

• compréhension des données,
• bonnes pratiques de validation,
• interprétation des métriques,
• robustesse au changement de domaine,
• passage classification → régression.