Après un rappel sur les technologie cognitive, l'intelligence artificielle, Georges Uzbelger explique comment on passe du descriptif au prescriptif. Presente ensuite Watson qui est un outil d'aide à la prescription.
Closing the Gap on ROI Measurement - Spur Interactive, Steve InteractiveOnline Marketing Summit
Closing the Gap on ROI Measurement
Measuring engagement and attributing credit are now "must-have" capabilities. This session will provide actionable insights and methodologies into defining what to measure, how to measure, how to calculate value from online engagement and how to build a compelling ROI business case.
* Steve Latham, President, Spur Interactive (@stevelatham)
Closing the Gap on ROI Measurement - Spur Interactive, Steve InteractiveOnline Marketing Summit
Closing the Gap on ROI Measurement
Measuring engagement and attributing credit are now "must-have" capabilities. This session will provide actionable insights and methodologies into defining what to measure, how to measure, how to calculate value from online engagement and how to build a compelling ROI business case.
* Steve Latham, President, Spur Interactive (@stevelatham)
Le choix d’un débitmètre n’est pas une chose simple. Pour faire un choix correct, il faut
tenir compte d’une multitude de paramètres. Il est donc nécessaire avant tout de définir
précisément ses propres exigences, les contraintes imposées par le fluide à mesurer et les
caractéristiques de l’environnement. Ensuite viennent s’ajouter les contraintes liées aux
différents appareils possibles.
สิ่งที่ลูกค้าต้องการที่แท้จริงคืออะไร? What does your customer really want maruay songtanin
สิ่งที่ลูกค้าต้องการที่แท้จริงคืออะไร?
ลูกค้าประเมินผลิตภัณฑ์หรือบริการ ขึ้นกับการรับรู้ทางคุณค่ากับราคาที่ตั้งไว้
นักการตลาดใช้เวลาและพลังงานของพวกเขา เกี่ยวกับการจัดการด้านราคา เพราะว่าการเพิ่มราคา สามารถเพิ่มผลกำไร
เป็นเรื่องยาก ที่จะระบุสิ่งที่ผู้บริโภคให้คุณค่าอย่างแท้จริงได้ชัดเจน เพราะมีความซับซ้อนทางจิตใจ
ผู้นำจะทำอย่างไร กับการส่งมอบคุณค่าที่มากขึ้น ไม่ว่าจะเป็นการทำงาน (ประหยัดเวลา ลดค่าใช้จ่าย) หรืออารมณ์ (ลดความวิตกกังวล ให้ความบันเทิง)?
The Elements of Value
By Eric Almqist, John Senior, and Nicolas Bloch
From Harvard Business Review, September 2016
The elements of value extend Maslow’s “hierarchy of needs” by focusing on people as consumers.
แพลตฟอร์มเปลี่ยนโฉมธุรกิจ How platforms reshaping business maruay songtanin
แพลตฟอร์มเปลี่ยนโฉมธุรกิจ
สำหรับทศวรรษที่ผ่านมา รูปแบบห้าแรงของการแข่งขัน (five-forces model) ได้ครอบงำความคิดเกี่ยวกับกลยุทธ์ ที่ใช้อธิบายการแข่งขันแบบดั้งเดิมคือ "ธุรกิจแบบท่อ" (pipeline businesses) ซึ่งประสบความสำเร็จ โดยการเพิ่มประสิทธิภาพการจัดกิจกรรม ในห่วงโซ่คุณค่า (value chains)
"แพลตฟอร์ม" เป็นธุรกิจที่เกิดจากการมารวมกันของผู้บริโภคและผู้ผลิต ทำให้มีวิธีการที่แตกต่างกันด้านกลยุทธ์ เพราะสินทรัพย์ที่สำคัญของแพลตฟอร์มอยู่ภายนอกคือ ชุมชนของสมาชิก
เมื่อแพลตฟอร์มเข้าสู่ตลาดของธุรกิจแบบท่อ แพลตฟอร์มจะชนะเกือบทั้งหมด
Pipelines, Platforms, and the New Rules of Strategy
By Marshall W. Van Alstyne, Geoffrey G. Parker, and Sangeet Paul Choudary
From: Harvard Business Review, April 2016
Découvrez Grisbee, votre coach financier en ligneGrisbee
Grisbee vous permet de consolider et suivre l'ensemble de votre patrimoine, de découvrir un diagnostic complet de votre santé financière et de prendre les bonnes décisions grâce à nos moteurs de recommandation ! A découvrir sur www.grisbee.fr ! Powered by @finansemble
Comment le Data et Deep Learning révolutionnent la sciencehabib200
Conférence sur le thème : Intelligence artificielle et Internet des objets. Organisée par : le laboratoire de technologie de l'information et modélisation (TIM) , Faculté des sciences Ben M'Sik, univérsité Hassan II Casablanca
Quelques Concepts de base à comprendre :
- Data Science
- Machines er Deep Learning, Les réseaux de neurones artificiels,
Les problèmes et les contraintes posées par les algorithmes d’apprentissage basés sur les réseaux de neurones
Principaux catalyseurs qui ont redynamisé l’intelligence artificielle:
- Calcul de hautes performances à savoir les architectures massivement parallèles et les systèmes distribués
- La Virtualisation et le cloud Computing
- Big Data, IOT et Applications Mobiles
- Framework et Algorithmes de Machines et Deep Learning
- Réseaux et Télécommunications
- Open source
L’écosystème des Framework de Machines et Deep Learning.
- L’architecture du Framwork TensorFlow
- Comment développer des applications de machines et Deep Learning pour les applications Web et Mobile en utilisant TensorFlow.JS.
- Démonstrations avec des liens pour télécharger le code source, allant de l’implémentation d’un simple perceptron en Java vers des modèles d’apprentissage supervisé multicouches de classification et un modèle d’extraction de caractéristiques à partir des images pour la reconnaissance des objets filmés par une caméra en utilisant des modèles CNN, pré-entraînes et exposés sur le cloud. (MobileNet)
Fr & En
Fr
L'apprentissage automatique (en anglais machine learning, littéralement « apprentissage machine ») ou apprentissage statistique est un champ d'étude de l'intelligence artificielle qui se fonde sur des approches mathématiques et statistiques pour donner aux ordinateurs la capacité d' « apprendre » à partir de données, c'est-à-dire d'améliorer leurs performances à résoudre des tâches sans être explicitement programmés pour chacune. Plus largement, il concerne la conception, l'analyse, l'optimisation, le développement et l'implémentation de telles méthodes.
En
Machine learning is a subfield of artificial intelligence (AI). The goal of machine learning generally is to understand the structure of data and fit that data into models that can be understood and utilized by people.
Although machine learning is a field within computer science, it differs from traditional computational approaches. In traditional computing, algorithms are sets of explicitly programmed instructions used by computers to calculate or problem solve. Machine learning algorithms instead allow for computers to train on data inputs and use statistical analysis in order to output values that fall within a specific range. Because of this, machine learning facilitates computers in building models from sample data in order to automate decision-making processes based on data inputs.
Session flash - Rencontre Inria Industrie Bio-informatique et outils numériq...iCOMMUNITY
L'ensemble des présentations réalisées lors de la rencontre Inria Industrie est contenu dans ce document.
• AltraBio : Analyse de données intégratives
• FLMSN : Fédération lyonnaise de modélisation et sciences numériques
• GENEL : Highly sensitive and efficient RNAi screening for accelerate your drug development
• Genostar : Concevoir et développer les outils de diagnostic clinique de demain, fondes sur l’utilisation des
technologies de séquençage génomique et métagénomique à très haut débit
• Kitware : Traitement, modélisation et visualisation d’images médicales
• Persistent Systems France - Bio Modeling Systems : Modélisation heuristique au service de la recherche
• SATT Lyon Saint-Etienne / Lyon Science Transfert : Carpaccio, programme pour l'analyse des muscles
• SATT Lyon Saint-Etienne / Lyon Science Transfert : Elexir, une puissante plate-forme intégrée pour
l'analyse du transcriptome
• Shazino : Les outils numériques du laboratoire : le scientifique 2.0
• Sysfera : Solution d'accès et d'exploitation d'applications de bio-informatique sur les cloud hybrides
• The Cosmo Company : Des données a la simulation et au contrôle des procédés biologiques
Comment devenir Data Scientist - Nicolas Garcia, Data Scientist @ Le KioskJedha Bootcamp
Nos formations : www.jedha.co
De plus en plus demandés par les recruteurs de tous types d'entreprises, les Data Scientists ont pris une importance considérable dans leurs processus de décision. Lors de cette session Ask My Anything, nous répondrons à toutes vos questions sur le métier de Data Scientist après vous avoir donnés nos astuces et conseils.
Le choix d’un débitmètre n’est pas une chose simple. Pour faire un choix correct, il faut
tenir compte d’une multitude de paramètres. Il est donc nécessaire avant tout de définir
précisément ses propres exigences, les contraintes imposées par le fluide à mesurer et les
caractéristiques de l’environnement. Ensuite viennent s’ajouter les contraintes liées aux
différents appareils possibles.
สิ่งที่ลูกค้าต้องการที่แท้จริงคืออะไร? What does your customer really want maruay songtanin
สิ่งที่ลูกค้าต้องการที่แท้จริงคืออะไร?
ลูกค้าประเมินผลิตภัณฑ์หรือบริการ ขึ้นกับการรับรู้ทางคุณค่ากับราคาที่ตั้งไว้
นักการตลาดใช้เวลาและพลังงานของพวกเขา เกี่ยวกับการจัดการด้านราคา เพราะว่าการเพิ่มราคา สามารถเพิ่มผลกำไร
เป็นเรื่องยาก ที่จะระบุสิ่งที่ผู้บริโภคให้คุณค่าอย่างแท้จริงได้ชัดเจน เพราะมีความซับซ้อนทางจิตใจ
ผู้นำจะทำอย่างไร กับการส่งมอบคุณค่าที่มากขึ้น ไม่ว่าจะเป็นการทำงาน (ประหยัดเวลา ลดค่าใช้จ่าย) หรืออารมณ์ (ลดความวิตกกังวล ให้ความบันเทิง)?
The Elements of Value
By Eric Almqist, John Senior, and Nicolas Bloch
From Harvard Business Review, September 2016
The elements of value extend Maslow’s “hierarchy of needs” by focusing on people as consumers.
แพลตฟอร์มเปลี่ยนโฉมธุรกิจ How platforms reshaping business maruay songtanin
แพลตฟอร์มเปลี่ยนโฉมธุรกิจ
สำหรับทศวรรษที่ผ่านมา รูปแบบห้าแรงของการแข่งขัน (five-forces model) ได้ครอบงำความคิดเกี่ยวกับกลยุทธ์ ที่ใช้อธิบายการแข่งขันแบบดั้งเดิมคือ "ธุรกิจแบบท่อ" (pipeline businesses) ซึ่งประสบความสำเร็จ โดยการเพิ่มประสิทธิภาพการจัดกิจกรรม ในห่วงโซ่คุณค่า (value chains)
"แพลตฟอร์ม" เป็นธุรกิจที่เกิดจากการมารวมกันของผู้บริโภคและผู้ผลิต ทำให้มีวิธีการที่แตกต่างกันด้านกลยุทธ์ เพราะสินทรัพย์ที่สำคัญของแพลตฟอร์มอยู่ภายนอกคือ ชุมชนของสมาชิก
เมื่อแพลตฟอร์มเข้าสู่ตลาดของธุรกิจแบบท่อ แพลตฟอร์มจะชนะเกือบทั้งหมด
Pipelines, Platforms, and the New Rules of Strategy
By Marshall W. Van Alstyne, Geoffrey G. Parker, and Sangeet Paul Choudary
From: Harvard Business Review, April 2016
Découvrez Grisbee, votre coach financier en ligneGrisbee
Grisbee vous permet de consolider et suivre l'ensemble de votre patrimoine, de découvrir un diagnostic complet de votre santé financière et de prendre les bonnes décisions grâce à nos moteurs de recommandation ! A découvrir sur www.grisbee.fr ! Powered by @finansemble
Comment le Data et Deep Learning révolutionnent la sciencehabib200
Conférence sur le thème : Intelligence artificielle et Internet des objets. Organisée par : le laboratoire de technologie de l'information et modélisation (TIM) , Faculté des sciences Ben M'Sik, univérsité Hassan II Casablanca
Quelques Concepts de base à comprendre :
- Data Science
- Machines er Deep Learning, Les réseaux de neurones artificiels,
Les problèmes et les contraintes posées par les algorithmes d’apprentissage basés sur les réseaux de neurones
Principaux catalyseurs qui ont redynamisé l’intelligence artificielle:
- Calcul de hautes performances à savoir les architectures massivement parallèles et les systèmes distribués
- La Virtualisation et le cloud Computing
- Big Data, IOT et Applications Mobiles
- Framework et Algorithmes de Machines et Deep Learning
- Réseaux et Télécommunications
- Open source
L’écosystème des Framework de Machines et Deep Learning.
- L’architecture du Framwork TensorFlow
- Comment développer des applications de machines et Deep Learning pour les applications Web et Mobile en utilisant TensorFlow.JS.
- Démonstrations avec des liens pour télécharger le code source, allant de l’implémentation d’un simple perceptron en Java vers des modèles d’apprentissage supervisé multicouches de classification et un modèle d’extraction de caractéristiques à partir des images pour la reconnaissance des objets filmés par une caméra en utilisant des modèles CNN, pré-entraînes et exposés sur le cloud. (MobileNet)
Fr & En
Fr
L'apprentissage automatique (en anglais machine learning, littéralement « apprentissage machine ») ou apprentissage statistique est un champ d'étude de l'intelligence artificielle qui se fonde sur des approches mathématiques et statistiques pour donner aux ordinateurs la capacité d' « apprendre » à partir de données, c'est-à-dire d'améliorer leurs performances à résoudre des tâches sans être explicitement programmés pour chacune. Plus largement, il concerne la conception, l'analyse, l'optimisation, le développement et l'implémentation de telles méthodes.
En
Machine learning is a subfield of artificial intelligence (AI). The goal of machine learning generally is to understand the structure of data and fit that data into models that can be understood and utilized by people.
Although machine learning is a field within computer science, it differs from traditional computational approaches. In traditional computing, algorithms are sets of explicitly programmed instructions used by computers to calculate or problem solve. Machine learning algorithms instead allow for computers to train on data inputs and use statistical analysis in order to output values that fall within a specific range. Because of this, machine learning facilitates computers in building models from sample data in order to automate decision-making processes based on data inputs.
Session flash - Rencontre Inria Industrie Bio-informatique et outils numériq...iCOMMUNITY
L'ensemble des présentations réalisées lors de la rencontre Inria Industrie est contenu dans ce document.
• AltraBio : Analyse de données intégratives
• FLMSN : Fédération lyonnaise de modélisation et sciences numériques
• GENEL : Highly sensitive and efficient RNAi screening for accelerate your drug development
• Genostar : Concevoir et développer les outils de diagnostic clinique de demain, fondes sur l’utilisation des
technologies de séquençage génomique et métagénomique à très haut débit
• Kitware : Traitement, modélisation et visualisation d’images médicales
• Persistent Systems France - Bio Modeling Systems : Modélisation heuristique au service de la recherche
• SATT Lyon Saint-Etienne / Lyon Science Transfert : Carpaccio, programme pour l'analyse des muscles
• SATT Lyon Saint-Etienne / Lyon Science Transfert : Elexir, une puissante plate-forme intégrée pour
l'analyse du transcriptome
• Shazino : Les outils numériques du laboratoire : le scientifique 2.0
• Sysfera : Solution d'accès et d'exploitation d'applications de bio-informatique sur les cloud hybrides
• The Cosmo Company : Des données a la simulation et au contrôle des procédés biologiques
Comment devenir Data Scientist - Nicolas Garcia, Data Scientist @ Le KioskJedha Bootcamp
Nos formations : www.jedha.co
De plus en plus demandés par les recruteurs de tous types d'entreprises, les Data Scientists ont pris une importance considérable dans leurs processus de décision. Lors de cette session Ask My Anything, nous répondrons à toutes vos questions sur le métier de Data Scientist après vous avoir donnés nos astuces et conseils.
Colloque IMT -04/04/2019- L'IA au cœur des mutations industrielles - Introduc...I MT
Colloque IMT "L'Intelligence Artificielle au cœur des mutations industrielles": Introduction de la journée par Christian Roux, directeur de la recherche et de l'innovation et Talel Abdessalem, animateur de la thématique IMT Data Analytics & IA et professeur (Télécom ParisTech).
La détection de la fraude par la connaissance des données - Carte Blanche Par...Jean-François Tripodi
En tant que régulateur des dépenses de santé, Carte Blanche Partenaires a développé une forte expertise dans la lutte contre la fraude, problématique maîtresse dans le secteur de l’assurance santé.
La solution d’analyse des données de Carte Blanche Partenaires et la plateforme de gestion des prises en charge dématérialisée garantissent la pertinence des contrôles anti-fraude. Le développement d’algorithmes auto-apprenants renforce ce niveau de pertinence. Mais c’est en couplant ces techniques avec une expertise d’analyse que l’entreprise tirera au mieux profit de l’utilisation de la data.
Comment la DataScience permet-elle le traitement optimal des données ? Comment l’utilisation d’algorithmes autoapprenants peut-elle amener à des règles de détection de la fraude pertinentes, le tout au service des assurés et des assureurs ?
Déconfinement Covid-19 :
Un plan de prévention santé … maintenant !
Le Président de la république a fixé au 11 Mai la date de dé-confinement pour les entreprises, apportant peu de précisions pratiques quant aux modalités.
Les entreprises doivent bâtir, maintenant, un plan de prévention santé, élaboré avec le médecin du travail et soumis au représentant du personnel. Ce doit donc être aujourd’hui la priorité du chef d’entreprise.
Les bienfaits du sport sur la santé sont connus depuis longtemps et ont été publiés dans de très nombreuses études scientifiques, essentiellement depuis 2008.
Pour les personnes atteintes de maladies chroniques l'activité physique régulière permet de diminuer les prises médicamenteuses, limite les rechutes et améliore le moral et la vie de tous les jours des patients.
L'article montre les résultats du programme Aviron Santé 92 tel que pris en charge par la CPAM92. Il présente aussi comment ses progrès peuvent être appliqués dans les entreprises pour diminuer le taux d’absentéisme et améliorer la productivité du personnel
Big Data en santé
De la technologie à la thérapie, en passant par la confiance
Cette conférence fait suite à quatre réunions thématiques de Télécom Paristech Santé sur les objets connectés en santé, la sécurité numérique, l’imagerie médicale et la gamification (Pour plus d’information consulter le site de l’association ou Slideshare Telecom-Paristech-Santé). Nous avons donc concentré les débats sur le big data et évité les digressions très naturelles sur les objets connectés qui seront certainement les sources principales des données de santé.
Présentation du groupe Télécom Paristech Santé et des précédentes réunions thématiques. Introduction à la conférence sur le Big Data en Santé, co-organisée avec Télécom Evolution.
Michel nous explique qu’un challenge de la recherche en neuroscience est la maitrise du déluge des données qui inonde le domaine. L'interprétation visuelle des tracés EEG est souvent difficile et longue. En utilisant les technologies du Big Data, il est possible d’identifier des biomarqueurs EEG de l’épilepsie. Le but des recherches est d’arriver à prédire les crises et donc d’apporter un vrai bénéfice thérapeutique.
Orange est leader dans le transfert, le stockage et la sécurité des données de santé. L'interopérabilité entre système et la disponibilité des infrastructures sont aussi des problèmes importants. Orange utilise les data pour modéliser la propagation de maladie en particulier en Afrique
En utilisant l’apprentissage de models sur des données collectées dans les dossiers patients d’un réseau d’hôpitaux et du machine learning, il est possible de prédire le risque de ré-hospitalisation dans 30 ou 90 jours pour des insuffisants cardiaque. Valère présente la création d’un Cloud Collaboratif sur le Cancer qui offre la possibilité aux Hôpitaux des Etats Unis de donner accès à un très grand nombre de dossiers patients atteint du Cancer.
Présentation des différents types de serious games.
Les trois usages en santé sont la prévention/sensibilisation, l'éducation et la simulation.
Des exemples pour les asthmatiques, prévention de l'alcoolisme, le psoriasis, rééducation des personnes agées, formation des professionnels de santé sur l'insuffisance cardiaque.
La sécurité en anesthésie a fait des progrès considérables depuis 20 ans en prenant en compte les facteurs humains.
Le modèle de Reason différencie les erreurs patentes et latentes.
La diminution des facteurs humains impose des formations sur les compétences non techniques, la perception et la communication, pour répondre aux situations critiques et au stress.
Les real games (simulation haute fidélité) et les serious game sont des outils très puissants.
Comparaison de la qualité et la sécurité en des soins avec l'aéronautique.
La simulation haute fidélité, les serious game et la réalité virtuelle permet de mettre en oeuvre des apprentissages très puissant par l'erreur. Ils permettent aussi de faire des apprentissages adaptatifs et des évaluations multimodales
Introduction à la quatrième réunion thématique du groupe Télécom Paristech Santé du 20 janvier 2016.
Présentation des activités du groupe et des intervenants.
Modelisation de connaissances anatomiques pour l'analyse et l'interprétation...TELECOM-PARISTECH-SANTE
Imagerie médicale au LTCI - Equipe TII
Importance des modèles
Les modèles pour l'interprétation d'images
Quelques résultats de segmentation et reconnaissance
Modèles à partir d'images
Application à la dosimétrie numérique (avec Orange Labs)
Synergie Hardware & Software pour une meilleure prise en charge du patient.
Présentation de la technologie de General Electric qui permet d'avoir une image du cœur en un battement et de l'aorte en quelques seconde (<4s).>une valve aortique dans 3 phases: planification, guidage et évaluation.
Perspectives technologiques en Imagerie Rayons X
Présentation du marché de l'Imagerie médicale, des système de screening et ceux de diagnostic, de la radiologie interventionnelle.
Joignez-vous aux lauréates 2024 des Bourses d’application des connaissances pour étudiants du Centre de collaboration nationale en santé publique (CCNMO) afin de prendre directement connaissance de leurs travaux essentiels permettant de combler l’écart entre la recherche et la pratique. Ces étudiantes et ces nouvelles diplômées dirigent des stratégies d’application des connaissances novatrices. Cette séance souligne leur excellence scolaire et met de l’avant des stratégies uniques et transférables pour s’attaquer aux priorités actuelles en matière de santé publique.
Hannah Bayne, Université de l’Alberta – Supporting tomorrow’s stewards: A knowledge mobilization project for climate-health literacy in Alberta elementary schools [Soutenir les intendants et intendantes de demain : un projet de mobilisation des connaissances en faveur de la littératie climat-santé dans les écoles primaires de l’Alberta]
Miranda Field, Université de Regina – Decolonized theory of place [La théorie du lieu décolonisée]
Jordan Chin, Université McMaster – The art of creation: An arts-based knowledge translation method to promote and advocate for a healthy start to life [L’art de la création : une méthode d’application des connaissances fondée sur les arts pour promouvoir et défendre un bon départ en santé]
3. Ere cognitive
• Convergence entre (NBIC)
• Nanotechnologie
• Biotechnologie
• Informatique
• Sciences cognitives
• Approche bio-inspirée
• Apprentissage: machine et deep learning
• Méthode de « raisonnement » de type baysien (plausibilité des causes à
partir des effets constatés)
• Modèle d’architecture de type « neuronal » inspiré des réseaux de
neurones biologiques
Nanotechnologie Biotechnologie
Informatique
Sciences
cognitives
NBIC
4. Intelligence Artificielle
• Naissance en 1956 lors de la conférence de Dartmouth College
• Pères: John McCarthy et Marvin Minsky
• Qu’est-ce que c’est (pas du tout exhaustif ) ?
• Modélisation/simulation de comportements cognitifs
• Exemple: Approche capacité d’adaptation vs l’environnement extérieur
• IA faible et forte
Capteurs Effecteurs
Objectifs
Agent IA
Actions adaptatives
effecteurs à partir de capteurs
pour atteindre un objectif
5. Entrée Sortie
Algorithmes avec adaptation
de la prise en compte des entrées
et des comportements en réponse
en fonction d’objectifs à atteindre
Prise en compte des réponses
pour amélioration future
Le machine learning
• Le machine learning est un ensemble d’outils mathématiques et d’algorithmes
permettant, par un processus itératif, d’améliorer les performances de
prédictions et de prescriptions par rapport à un objectif à atteindre
• Certaines implémentations de machine learning s’inspirent du fonctionnement
et de l’architecture des neurones biologiques.
Statistiques
Optimisation
Algorithmique
Er
Classification
Regression
6. Entrée Sortie
Algorithmes avec adaptation
de la prise en compte des entrées
et des comportements en réponse
en fonction d’objectifs à atteindre
Oracle
Superviseur
Ensemble de valeurs
d’apprentissage
et de test
Sortie attendue
Entrée
Prise en compte des réponses
pour amélioration future
Apprentissage supervisé - Entrainement
3 phases:
Apprentissage
tests
Production
Statistiques
Optimisation
Algorithmique
Er
Classification
Regression
Minimisation risque empirique
consistance
Minimisation risque structurel
7. Conceptualisation - Modélisation - Généralisation
• Conceptualisation - modélisation pour comprendre et représenter un phénomène
• Généralisation à partir de la représentation pour prévoir le comportement d’un phénomène
• Exemple: Comportement de fraude, vieillissement d’un système, attrition, décrochage
scolaire, aide au diagnostique/pronostique, thérapie, épidémiologie, essai clinique, …
9. Des décisions plus objectives
1- Observer 2- Interpréter 3- Evaluer 4- Décider
• Applications: Aide au diagnostique/pronostique, thérapie, épidémiologie, essais cliniques, …
10.
11. Mais qu’est-ce que Watson ?
• Watson créé une relation nouvelle avec les systèmes d’informations
• Watson accompagne les décideurs et renforce la relations avec les
clients
• Watson me comprend.
• Watson échange avec
moi.
• Watson apprend et
s’améliore avec le temps
• Watson m’aide à
découvrir.
• Watson justifie ses
arguments.
• Watson à des capacités
encore inexploitées.
• Watson est rapide et pense
en temps réel.
Watson produit et évalue
des hypothèses
Watson comprend le
langage naturel
Watson s’adapte
et apprend