Télécharger en tant que PDF, PPTX
![Deep learning = learning
hierarchical representations
Feature visualization of convolutional net trained on ImageNet from [Zeiler & Fergus 2013]
Low-level
feature
Trainable
classifier
High-level
feature
Mid-level
feature
It's deep if it has more than one stage of non-linear feature transformation](https://image.slidesharecdn.com/aiot2-200122083432/85/Comment-le-Data-et-Deep-Learning-revolutionnent-la-science-35-320.jpg)
![Attention
• Un mécanisme d’attention
permet à un RNN de porter son
attention sur différentes parties
de son entrée [x0 , …, xT ].
1.Chaque élément de l’entrée est
comparé à l’état courant ht-1, pour
générer des coefficients de
pondération αi .
2.La sortie ct (contexte) est une
somme pondérée de tous les
éléments de l’entrée (« Soft
Attention »).
Bahdanau, D., Cho, K., & Bengio, Y. (2015). Neural Machine Translation
by Jointly Learning to Align and Translate. In ICLR 2015.](https://image.slidesharecdn.com/aiot2-200122083432/85/Comment-le-Data-et-Deep-Learning-revolutionnent-la-science-47-320.jpg)
Comment le Data et Deep Learning révolutionnent la science
- 1. Comment le Dataet Deep Learning révolutionnent la science Pr. BEN LAHMAR EL Habib HASSAN 2 University, Casablanca Faculty of Sciences Ben M'Sik Morocco ORCID ID: orcid.org/0000-0001-7098-4621 RESEARCHERID: F-4988-2015 SCOPUS Author ID: 56027165800
- 2.
- 3.
- 4. “Data is theNew Oil” World Economic Forum
- 5.
- 6. Quelques chiffres 90% desdonnées mondiales ont été créées au cours des deux dernières années Le volume de données mondiales double tous les trois ans 1,7 megabyte de données sera créé chaque seconde par chaque personne en 2020 60% des fabricants mondiaux utiliseront le Big Data 200 milliards d’objets connectés d’ici la fin 2020 Data Scientist est le job numéro 1 du classement Glassdoor 2017
- 7.
- 8.
- 9. L'hypothèse de JimGray Source: The Fourth Paradigm: Data-intensive Scientific Discovery
- 10. Data - eScience Source:The Fourth Paradigm: Data-intensive Scientific Discovery
- 11. Dans la génomique Projetgénome humain - http://fr.wikipedia.org/wiki/Projet_g%C3%A9nome_humain plus de 10 ans et 3 milliards de dollars pour réaliser le premier séquençage humain complet de l’ADN du génome humain, il est aujourd’hui possible d’en réaliser un en quelques jours pour moins de $1000.
- 12. • Le LST(Large Synoptic Survey Telescope) devrait voir le jour en 2020 et enregistrera avec sa caméra de 3200 Mégapixels plus de 30 Téraoctets d’images de la totalité du ciel chaque nuit. Les astrophysiciens doivent programmer l’ordinateur pour qu’il analyse lui-même les images et indiquent aux chercheurs où ils doivent regarder. En astrophysique Projet LSST - http://www.lsst.org/lsst/
- 13. En médecine Source: TheFourth Paradigm: Data-intensive Scientific Discovery Maladie pulmonaire obstructive chronique cardiovasculaire le cancer du poumon
- 14. En chimie https://www.nature.com/articles/s41598-018-35934-y Apprendre directementles propriétés des matériaux à partir de leurs compositions élémentaires
- 15. Data: “Garbage in,garbage out”
- 16. Comment traiter etanalyser des données? …. volumineuses et hétérogènes
- 17.
- 18.
- 19. L'apprentissage automatique Machine Learning …. un champd'étude de l'intelligence artificielle qui se fonde sur des approches statistiques pour donner aux ordinateurs la capacité d' « apprendre » à partir de données
- 20.
- 21. Machine Learning • Apprendreà modéliser un problème à partir des données
- 22.
- 23.
- 24. Quel algorithme d’apprentissageautomatique dois-je utiliser ? de ce que vous voulez faire avec la réponse. Cela dépend de la taille, de la qualité et de la nature des données Cela dépend du temps que vous avez. Cela dépend de la conversion des calculs de l'algorithme en instructions pour l'ordinateur que vous utilisez. Cela dépend Cela dépend
- 25.
- 26. Feature Engineering Feature Selection FeatureScaling (data normalization) Feature Extraction Decomposing Categorical Attributes Binning/Bucketing Feature Crosses Feature Engineeri ng Quoi ? distinguer les bonnes caractéristiques des mauvaises. prétraiter et transformer ces caractéristiques afin d'optimiser leur efficacité dans vos modèles
- 27. Exemples en entrée Généralisationsur un nouveau cas Observer des exemples et produire des généralisation Apprentissage supervisé
- 28. Modèles de classification SVM Régressionlogistique
- 29. Deep learning Des réseaux neuronauxartificiels L'une des principales technologies de Machine Learning et d'intelligence artificielle.
- 30.
- 31. Deep Learning: Unerupture scientifique ?! Principes de base de la méthode scientifique : les modèles (ou théories) sont classiquement construits par les chercheurs à partir des observations. Le deep learning change la donne en assistant l'expertise scientifique dans la construction des modèles.
- 32. Expériences de recâblage neuronal neuralrewiring experiments • recâblé l'entrée rétinienne d'un furet dans le cortex auditif . •recâblé l'entrée rétinienne d’un hamster dans le cortex somatosensoriel le cortex auditif a appris à traiter les informations visuelles provenant des yeux du furet et a appris à voir.
- 33.
- 34.
- 35. Deep learning =learning hierarchical representations Feature visualization of convolutional net trained on ImageNet from [Zeiler & Fergus 2013] Low-level feature Trainable classifier High-level feature Mid-level feature It's deep if it has more than one stage of non-linear feature transformation
- 36. Deep learning VsMachine learning
- 37.
- 38.
- 39.
- 40.
- 41.
- 42.
- 43. Generative adversarial network Goodfellowet al. 2014 Deux réseaux sont placés en compétition Le premier réseau génère un échantillon son adversaire, le discriminateur essaie de détecter si un échantillon est réel ou bien s'il est le résultat du générateur.
- 44.
- 45.
- 46.
- 47. Attention • Un mécanismed’attention permet à un RNN de porter son attention sur différentes parties de son entrée [x0 , …, xT ]. 1.Chaque élément de l’entrée est comparé à l’état courant ht-1, pour générer des coefficients de pondération αi . 2.La sortie ct (contexte) est une somme pondérée de tous les éléments de l’entrée (« Soft Attention »). Bahdanau, D., Cho, K., & Bengio, Y. (2015). Neural Machine Translation by Jointly Learning to Align and Translate. In ICLR 2015.
- 48. Attention • Les traitsblues en gras montrent où le RNN mauve (décodeur) porte son attention dans la séquence générée par le RNN vert (encodeur).
- 49.
- 50.
- 53.
- 54. Détection des émotionsdes apprenants Un système d’Anti Plagiat - Détection du plagiat d’idée Un système bibliométrique sémantique Système de transport intelligent Prévision de l'échec des étudiants Moteur de recherche IoT Prévision de la demande client Analyse des discours politique Optimisation des hyper paramètres Sujets de recherche
- 55.
- 56.
- 57.
- 58. ORCID ID: orcid.org/0000-0001-7098-4621 RESEARCHERID:F-4988-2015 SCOPUS Author ID: 56027165800 Comment le Data et deep learning révolutionnent la science Pr. BEN LAHMAR EL Habib HASSAN 2 University, Casablanca Faculty of Sciences Ben M'Sik Morocco