Qui a compris les proba, les stats? Peu parmi nous. Pourtant tout le monde parle de ML et DL Nouvel croyance?

1. Machine Learning-Deep Learning
Fondement et biais
Machine learning Aix-Marseille #5
●
Réseaux de neurones ?
●
De la causalité à la corrélation, induction ou déduction ?
●
Proba, stats, stochastique, de la compréhension à Madame Irma ?
●
IA, BI, Big DATA
●
ML, DL
●
Visualisation
●
Partiel, Partial, Parcellaire & Incomplétude,
défunt le chat de Schödinger ?
●
Macro, micro , signaux forts, signaux faibles,
"la formule d 'Euler, e
ix
= cos(x)+ i sin(x)"
e-Compendium
22 juin 2016 EMD Marseille

2. Machine Learning-Deep Learning Fondement et biais
Machine learning Aix-Marseille #5
Réseau de Neurones ?
e-Compendium
22 juin 2016 EMD Marseille
i
Pour créer un ensemble de données :
Indiquez
le nombre de joueurs ?
le nombre de passes réalisés ?
Le joueur qui réalise le plus de passes ?
ATTENTION

3. Machine Learning-Deep Learning Fondement et biais
Machine learning Aix-Marseille #5
Réseau de Neurones ?
e-Compendium
22 juin 2016 EMD Marseille
Reconnaître le domaine, le parcourir
Mettre plus de data leurs donnent-elles plus de sens, plus de valeurs?
Déduire des faits d'autres faits.
VIGILANCE

4. Machine Learning-Deep Learning Fondement et biais
Machine learning Aix-Marseille #5
Réseau de Neurones ?
e-Compendium
22 juin 2016 EMD Marseille
CONSCIENCE
Croiser les données, lesquelles ? Comment ?

5. Machine Learning-Deep Learning Fondement et biais
Machine learning Aix-Marseille #5
Causaités ?
e-Compendium
22 juin 2016 EMD Marseille
?
Cartographie représentation d'un état informationnel ?
Pharmakha, destructrices et salvatrices, A-namnèse et a-leteya
Retrouvez ce que l'on a oublié ou ignoré

6. Machine Learning-Deep Learning Fondement et biais
Machine learning Aix-Marseille #5
Corrélations ?
e-Compendium
22 juin 2016 EMD Marseille
Boîte noire & Réseau
Neurones
●
Appariement
●
Graphes

7. Machine Learning-Deep Learning Fondement et biais
Machine learning Aix-Marseille #5
Proba, Stats, Stochastique ?
e-Compendium
22 juin 2016 EMD Marseille
Problématiques comprises
Univers connu
Relations connus
Mesures reproductibles
...
Propension
Probabilités
Statistiques Population définie
Échantillon validé
Relations inconnus
Mesures ponctuelles
Corrélations
Régression
Inférences
...
Stochastique
Univers imparfait
Mesures non reproductible
Pas de prédictibilité ->médecine
Pas déterministe
Multi-factoriel
Signaux faibles
Pas d'effet de seuil
Clef SDG stochastic descend
Gradient (le « poids »)

8. Machine Learning-Deep Learning Fondement et biais
Machine learning Aix-Marseille #5
IA, BI, Big DATA ?
e-Compendium
22 juin 2016 EMD Marseille

9. Analyse et préconisation
Grâce à la norme SCORM, les différents parcours mis en œuvre sont
enregistrés
Utilisation de l'Intelligence Artificielle et de BI pour définir les clefs de
pertinences
En fonction des sujets
Proposition de diverses activités autour de divers sens
Charte graphique indiquant ce que l'on attend de l'apprenant + rituel
Retour d'expérience et HROI
Sur la formation et son déroulé
Groupe de travail avec les apprenants
Brainstorming avec les apprenants pour proposer des améliorations
e-Compendium
PARCOURS DES APPRENANTS

10. Machine Learning-Deep Learning Fondement et biais
Machine learning Aix-Marseille #5
Machine Learning – Deep Learning ?
e-Compendium
22 juin 2016 EMD Marseille
Apprentissage

11. Machine Learning-Deep Learning Fondement et biais
Machine learning Aix-Marseille #5
Machine Learning – Deep Learning ?
e-Compendium
22 juin 2016 EMD Marseille
Sortie
bias
index des
connexions en entrée
i entréeéme
i éme
Poids de la
entrée
i
i
iwxby 
Neurones Linéaires
...
Sigmoïdes
Stochastiques
...
seulement des fonctions logiques monotones

12. Machine Learning-Deep Learning Fondement et biais
Machine learning Aix-Marseille #5
Visualisation ?
e-Compendium
22 juin 2016 EMD Marseille
Densité de Consommation
sur les réseaux d'un
distributeur d'électricité
Densité des consommations
échantillon de la population
francaise sur plusieurs années
(données 2005-2015,
traitées avec RapidMiner)

13. Machine Learning-Deep Learning Fondement et biais
Machine learning Aix-Marseille #5
Partiel, Partial, Parcellaire & incomplétude ?
e-Compendium
22 juin 2016 EMD Marseille
La croyance c'est le pouvoir, réduire ses croyances c'est se libérer.

14. Machine Learning-Deep Learning Fondement et biais
Machine learning Aix-Marseille #5
Macro, micro, signaux forts, signaux faibles ?
e-Compendium
22 juin 2016 EMD Marseille
Abandon du terme de Smart cities
Plus les modèles sont humains moins ils
sont preformants, empreintes sociales
en entrée et en sortie.
Ecosystemes : paysage, région, sous-continent,
les contenus sont incohérents
La défense vendeurs saisonnier.
Adapter l'activité et le ramassage des déchets.
Données pas assez fine.
Données, pas des échantillons donc
imprédictibilité.
Multiplicité des parties prenantes.
Modèle des diversités, le plus résilient.
Modèle urbain modèle de l'équlibre
Pas de boucle de rétroaction

15. Machine Learning-Deep Learning
Fondement et biais
Machine learning Aix-Marseille #5
Merci pour votre attention ?
e-Compendium
22 juin 2016 EMD Marseille
« découvrir et la seule manière de connaître, Corrélativement,
faire découvrir est la seule manière d'enseigner »
Le rationalisme appliqué, Gaston Bachelard
Richard Pawlowsky
mig@cristal.pw

16. Machine Learning-Deep Learning
Fondement et biais
Machine learning Aix-Marseille #5
Conclusion
e-Compendium
22 juin 2016 EMD Marseille
« découvrir et la seule manière de connaître, Corrélativement,
faire découvrir est la seule manière d'enseigner »
Le rationalisme appliqué, Gaston Bachelard
Notre système de neurone biologique est de très loin plus complexe et à découvrir ;
Notre système est faillible et chacun de nous est une propension ;
Machine Learning et Deep Learning sont trés efficaces dans des conditions stricts, qualités et
finesses des données à produire et vérifier pour chaque requête, faire des préconisations de
lectures est-ce utile à l'humanité ?
De très grand progrès sont en cours, tant infrastructures que langages et algorithmes ;
Mais nos spécificités resteront, le ML et DL sont des outils pas des entités

17. Machine Learning-Deep Learning
Fondement et biais
Machine learning Aix-Marseille #5
Pour approfondir :
e-Compendium
22 juin 2016 EMD Marseille
« découvrir et la seule manière de connaître, Corrélativement,
faire découvrir est la seule manière d'enseigner »
Le rationalisme appliqué, Gaston Bachelard
Clefs SDG stochastic descend gradient et
PKI performance key indicator
http://fr.slideshare.net/ssuser818e8e/stochast
ic-optimization-for-largescale-learning?
next_slideshow=1