S'authentifier

Machine Learning pour informaticiens

21–25 sept. 2020
Orsay
Fuseau horaire Europe/Paris

Comité d'organisation de l'ANF

Liste des Contributions

25 sur 25 affichés
Exporter en PDF
  1. 2. Logistique de l'école
    Thierry OLLIVIER (IPNL)
    21/09/2020 13:30
  2. 1. Présentation de l'école
    Françoise Bouvet (IJCLab)
    21/09/2020 13:40
  3. 3. Une brève histoire de l'IA
    Marc Duranton (CEA)
    21/09/2020 14:00
  4. 23. Vérification des environnements et introduction à Jupyter
    Alexandre Boucaud (APC / IN2P3)
    21/09/2020 16:15

    Dans cette première courte session nous vérifierons que les environnements de chacun sont bien installés et nous procèderons à une courte introduction à Jupyter Lab et aux notebooks.

    Aller à la page de la contribution
  5. 4. TP Python -étude et visualisation d'un jeu de données
    Alexandre Boucaud (APC / IN2P3)
    21/09/2020 17:00

    Dans ce premier TP nous allons nous familiariser avec un jeu de données de recensement en utilisant les différentes librairies scientifiques de Python (chargement des données, classement, visualisation, mini-étude).
    Ces données seront utilisées les deux jours suivants pour aborder le machine learning avec scikit-learn puis les réseaux de neurones.

    Aller à la page de la contribution
  6. 5. Introduction à scikit-learn pour l'apprentissage supervisé
    Loïc Estève (INRIA)
    22/09/2020 09:00

    Introduction à scikit-learn, la librairie de machine learning en Python

    Aller à la page de la contribution
  7. 24. TP scikit-learn : classification des données numériques
    Alexandre Boucaud (APC / IN2P3), Jérémie du Boisberranger (INRIA/Fondation scikit-learn), Loïc Estève (INRIA)
    22/09/2020 09:30
  8. 6. TP scikit-learn : classifications des données en catégories
    Alexandre Boucaud (APC / IN2P3), Jérémie du Boisberranger (INRIA/Fondation scikit-learn)
    22/09/2020 11:00

    TP/cours guidé

    Aller à la page de la contribution
  9. 7. Introduction à l'apprentissage non supervisé
    Alexandre Boucaud (APC / IN2P3)
    22/09/2020 14:00

    Cours

    Aller à la page de la contribution
  10. 25. TP scikit-learn : validation croisée (partie 1)
    Alexandre Boucaud (APC / IN2P3), Jérémie du Boisberranger (INRIA/Fondation scikit-learn), Loïc Estève (Inria)
    22/09/2020 15:00

    TP/cours sur la validation croisée et la recherche d'hyperparamètres pour les modèles

    Aller à la page de la contribution
  11. 8. TP scikit-learn : validation croisée (partie 2)
    Alexandre Boucaud (APC / IN2P3), Jérémie du Boisberranger (INRIA/Fondation scikit-learn), Loïc Estève (Inria)
    22/09/2020 16:30

    TP/cours sur la validation croisée et la recherche d'hyperparamètres pour les modèles

    Aller à la page de la contribution
  12. 21. Réponse aux questions du jour
    22/09/2020 17:30
  13. 9. Réseaux de neurones
    Françoise Bouvet (IJCLab)
    23/09/2020 09:00
  14. 10. TP Mise en pratique
    23/09/2020 11:00
  15. 11. Réseaux de convolution et LSTM
    Françoise Bouvet (IJCLab)
    23/09/2020 14:00
  16. 12. TP Mise en pratique
    23/09/2020 16:30
  17. 22. Réponse aux questions du jour
    23/09/2020 17:30
  18. 15. Explicabilité en ML
    Dr Nicolas Meric (CEO Dreamquark)
    25/09/2020 09:00

    En 2014, après une thèse en physique des particules, Nicolas Meric s'est lancé dans l'entreprenariat en fondant la start-up DreamQuark. Cette société propose aux entreprises du secteur financier et des assurances des services de décision basés sur des modèles de deep learning. La particularité de DreamQuark se base sur une approche du machine learning la plus transparente possible en...

    Aller à la page de la contribution
  19. 16. Robustesse des algorithmes
    Dr Jean-Marc Martinez (CEA - DES)
    25/09/2020 10:00

    Des travaux récents ont montré que malgré l’utilisation de méthodes « classiques » de validation et de régularisation, les réseaux de neurones peuvent être vulnérables face à d’éventuelles attaques adverses. L’exemple de vulnérabilité est celui d’une modification légère d’une image sur quelques pixels qui peut suffire à tromper le réseau de neurones [Szegedy,2016]. Le cours introduira la...

    Aller à la page de la contribution
  20. 18. Applications IRFU
    Dr Valérie Gautard (CEA - IRFU)
    25/09/2020 11:10

    Les algorithmes d’IA sont des outils particulièrement performants dans certains domaines (véhicules autonomes, robotique, reconnaissance d’images, aide à la prise de décisions, etc.), mais leurs utilisations en physique fondamentale demandent une connaissance approfondie des phénomènes étudiés tant pour la performance de ces outils que pour la validation des résultats.

    A l’Irfu, (Institut...

    Aller à la page de la contribution
  21. 20. Applications IN2P3
    Dr Julien Donini (UBP/LPC/IN2P3)
    25/09/2020 11:50

    Les algorithmes d’IA sont des outils particulièrement performants dans certains domaines (véhicules autonomes, robotique, reconnaissance d’images, aide à la prise de décisions, etc.), mais leurs utilisations en physique fondamentale demandent une connaissance approfondie des phénomènes étudiés tant pour la performance de ces outils que pour la validation des résultats.

    A l’Irfu, (Institut...

    Aller à la page de la contribution
  22. 17. Bilan de l'école
    25/09/2020 14:00
  23. 19. Machine learning et éthique
    Prof. Gilles Dowek (INRIA - ENS Paris Saclay)
    25/09/2020 14:30

    Quelques questions éthiques posées par le développement de l'Intelligence Artificielle

    Le développement de l’informatique en général et de l’intelligence artificielle en particulier pose des questions éthiques très différentes de celles posées, depuis Hippocrate, par le développement des sciences de la vie et de la médecine. Des valeurs traditionnelles, telles le respect de la vie privée,...

    Aller à la page de la contribution
  24. 13. Exploitation ferme GPU
    Bertrand Rigaud (CC-IN2P3)
  25. 14. Réseaux génératifs