SlideShare une entreprise Scribd logo
Le machine learning ou apprentissage automatique
retrouve depuis quelques années un regain d'intérêt (cf.
Hype Cycle de Gartner ci-après), lié en partie au développe-
ment des technologies du Big Data. Comme bon nombre de
technologies, le Machine Learning existait déjà dans l'esprit
d'Alan Turing ("Computing Machinery and intelligence",
1950) ou d'Arthur Samuel ("Some studies un Machine
Learning, Using the game of checkers", 1959) comme un
moyen de dépasser les limites de l'informatique naissante.
Dans un traitement habituel, déterministe, on applique à
un jeu de données, une suite d'opérations ou algorithme,
pour obtenir un résultat, un objectif; exemple le plus trivial,
un tri par couleur et / ou taille.
Dans le cas du machine learning, on dispose de données
que l'on appelle communément jeu d'entrainement, dont le
volume et la qualité sont cruciaux pour l'atteinte de l'objec-
tif. L'enjeux va être de trouver par apprentissage (par itéra-
tion) à partir de ce jeu d'entrainement un modèle ou
programme, afin d'atteindre un objectif et / ou découvrir
une relation. Pour parer à l'explosion combinatoire de
l'analyse de l'ensemble des solutions possibles et proposer
dans un temps contraint (bien souvent en temps réel) la
meilleure solution, on s'appuie sur des lois statistique et de
probabilité.
Le travail du Data Scientist va consister à s'assurer de la
qualité du jeu d'entrainement, à choisir un ou plusieurs al-
gorithmes, à choisir les valeurs des variables de risque ou
d'incertitude en fonction des objectifs à atteindre et enfin à
créer un ou plusieurs modèles qui seront ensuite utilisés de
manière opérationnelle. Afin d'optimiser ce processus, le
Data Scientist doit également posséder des connaissances
métier.
Le choix de l'algorithme est un des éléments primordiaux
dans le processus de réalisation du modèle. Il existe au-
jourd'hui une multitude d'algorithme. La multiplication des
domaines d'applications implique également la création de
nouveaux algorithme, adaptée aux besoins du domaine, en
s'appuyant notamment sur la recherche.
24 mars 2016 Édition 1 Numéro 8
euratech trends
Statistiques, Probabilités
et Algorithmique ...
et Data Scientist
" Le Machine Learning est le champs d'étude qui
donne aux ordinateurs la capacité d'apprendre sans
être explicitement programmés"
Arthur Samuel ­ 1959
EuraTechnologies +(33) 320 191 855
"Most of the knowledge
in the world in the
future is going to be
extracted by machines
and will reside in ma-
chines."
Yann LeCun
Director of AI Research,
Facebooks.
Machine Learning, algorithme à tout faire...
"It is probably wise to
include a random
element in a learning
machine"
Alan Turing
23% des data scientist travaillent dans l'industrie du logiciel
pour seulement 1% en cybersécurité ‐ "2015 Data Science Salary Survey”,
O'Reilly, 2015.
euratech trends
Il existe plusieurs méthodes d'apprentissage auxquelles
sont associées des familles d'algorithme. Ces méthodes et
algorithmes évoluent au grès des besoins et demandes in-
duites par la diffusion du Machine Learning dans de nom-
breux secteurs d'activités. Nous ne présenterons
ci-dessous que quelques exemples, n'ayant pas la préten-
tion de pouvoir être exhaustif, tant ce champ est vaste à
explorer.
L’apprentissage supervisé consiste à créer des modèles
prédictifs à partir de jeux de données d’entrée et de sorties
connues. Il est appliqué dans les problématiques de clas-
sification ou de régression (relation entre deux ou
plusieurs variables). Quelques algorithmes associés :
- arbres de décision boostés et agrégés
- machines à vecteur de support
- classifieur bayésien naïf
- classification des k plus proches voisins
- analyse discriminante
- réseaux de neurones
L’apprentissage non supervisé permets de détecter des
motifs cachés ou des structures intrinsèques propres au
jeux de données. Quelques algorithmes associés :
- k-means et groupement hiérarchique
- mélanges gaussiens (utilisant la maximisation de
l’espérance conditionnelle)
- chaînes de Markov cachées
- cartes auto-organisatrices (SOM)
- réseaux de neurones par couche compétitive
- réseaux de neurones d’apprentissage par quantification
de vecteur (LVQ)
En complément, citons l'apprentissage semi-supervisé
(jeux de données connues et inconnues), l'apprentissage
par renforcement (récompense) ou encore l'apprentissage
profond (Deep Learning).
L'avenir se dessine avec le mariage de l'informatique
quantique et du machine learning, on parle déjà de
Quantum Machine Learning. Par ailleurs certains commen-
cent à imaginer l'algorithme ultime, capable de tout ap-
prendre, de tout comprendre, de tout résoudre, "The Master
Algorithm"!!! (Pedro Domingos, 2015)
Les usages sont multiples, et chacun d'entre nous l'a
expérimenté, souvent sans en avoir vraiment conscience!
Que ce soit le logiciel anti-spam d'une boîte mails, le logi-
ciel de reconnaissance de caractères d'un scanner, le
moteur de recommandations d'un site marchand ou
"Translate" de Google, tous utilisent le Machine Learning.
Son utilisation s'étend au domaine de la finance, pour le
calcul de risque d'emprunt, la détection de fraude ou le
trading; en médecine, dans l'imagerie médicale ou pour le
diagnostic préventif du cancer; dans les Télécoms, réseaux
informatiques et la logistique pour l'optimisation des flux
(données ou véhicules); en robotique, en vision artificielle
et encore bien d'autres.
L'un des derniers domaines investit par le Machine
Learning est l'usine. En effet, la diffusion de milliers de
capteurs dans les sites de production et par voie de
conséquence l'enregistrement de millions de données sont
un nouveau terrain de jeu pour le Machine Learning,
notamment pour le suivi de la qualité, de la production, de
la planification ou de la maintenance en temps réel (projet
iPRODICT, Industry 4.0, Fraunhofer-Institut).
02
Kaggle, une plateforme dédiée aux
challenges Machine Learning
Kaggle ( www.kaggle.com) propose aux entre-
prises, laboratoires de recherche ou universités d'orga-
niser des challenges primés ou non sur la base de leur
jeux de données. Santander Bank y propose par exemple
un challenge primé de 60 000$ dont l'objectif est de ré-
pondre à la question "Quels clients sont des clients
heureux?"
Kaggle est également le partenaire de The National Insti-
tutes of Health lors d'un concours dont la finalité est de
créer un algorithme pour automatiser le diagnostic cardi-
aque sur la base de données recueillies auprès de plus
de 1000 patients.
Apprentissage et algorithme
USAGES
Les outils informatiques du Data Scientist
La région des Hauts-de-France ne compte pas
moins de 6 équipes de recherche, soit près
d'une centaine de chercheurs et doctorants
qui travaillent sur le Machine Learning et ses
applications.
Magnet - "MAchine learninG in information
NETworks" - team.inria.fr/magnet
Magnet s'intéresse à la définition de méthodes
et modèles d'apprentissage automatique au
sein de réseaux d'informations, en particulier
ceux présents sur Internet : réseaux d'interac-
tions, hyperliens ou réseaux sociaux. Ces
réseaux sont constitués d'informations en
grand volume, hétérogènes, principalement
textuelles, organisées sous forme de grands
graphes dont les liens sont explicites ou
induits. Les objectifs envisagés sont les
systèmes de veille, de recherche et
d'extraction d'informations, et de recom-
mandation.
Les axes de recherche se décomposent en:
- découverte de structures pour la prédiction
structurée pour les textes, prédiction de liens,
clustering, evaluation de densités dans les
graphes;
- association de représentations et de
méthodes d'apprentissage pour la
manipulation de données hétérogènes;
- structuration en graphes des données pour
la classification, la diffusion et la recom-
mandation.
Partenariats industriels : SAP, Music Story,
Clic and Walk, Pôle de compétitivité PICOM
SequeL - "Sequential Learning" -
sequel.lille.inria.fr
SequeL développe des concepts et al-
gorithmes fiables pour répondre aux
problématiques de systèmes artificiels traitant,
par exemple, des pages web créées, modifiées
ou supprimées du web ou des mesures de
capteurs acquises par un système passif ou
actif (interagissant sur son environnement, tel
que agent logiciel ou robot matériel). À partir
de ces données, ces systèmes extraient des
informations, pour repérer des objets
(classification), pour évaluer les paramètres
d'un processus (estimation), pour interagir
avec son environnement (décision
séquentielle). Ces algorithmes sont également
utilisables dans le cadre de traitement par lot de
gros volume de données.
Ces travaux ont des applications dans les
systèmes de recommendation ou le jeu de Go
( Crazy Stone, logiciel primé à de nombreuses
reprises).
Les axes de recherche couverts sont :
- apprentissage séquentiel;
- prise de décision dans l'incertain;
- problèmes de bandits;
- apprentissage par renforcement;.
Partenariats industriels : France Telecom,
Oranges Labs, Intel, Nuukik, ...
Dolphin - "Discrete multiobjective Optimization
for Large-scale Problems with Hybrid
dIstributed techNiques" - dolphin.lille.inria.fr
DOLPHIN a pour objectif la modélisation et la
résolution parallèle de problèmes
d'optimisation combinatoire (multi-objectifs)
de grande taille. Des méthodes parallèles
coopératives efficaces sont développées à
partir de l'analyse de la structure du problème
traité. Les problèmes ciblés sont aussi bien
AGENDA
Machine Learning
Conference :
15 avril - New York
7 octobre, Londres
hmlconf.com
12th International
Conference on
Machine Learning and
Data Mining :
du 16 au 21 juin, New
York
www.mldm.de
33rd International
Conference on
Machine Learning
(ICML 2016) :
du 19 au 24 juin, New
York
icml.cc/2016
Conférence
francophone sur
l’apprentissage
automatique (CAp
2016):
du 4 au 7 juillet , Mar-
seille
cap16.lif.univ-mrs.fr
European Conference
on Machine Learning
and Principles and
Practice of Knowledge
Discovery :
du 19 au 23 septembre
- Rival del Garda
www.ecmlpkdd2016.org
IEEE International
Conference on
Machine Learning and
Applications
(ICMLA'16) :
du 18 au 20 décembre,
Los Angeles
03euratech trends
SQL reste un outil indispensable : 70 % des répondants du sondage O'reilly ("2015 Data
Science Salary Survey”, 2015) déclarent l'utiliser et qu'une étude de CrowdFlower ( "What skills
should data scientists have in 2016?", 2016) indique qu'il est une compétence demandée dans
près de 60% des offres d'emploi.
Logiciels conçus par les équipes de
recherche, à découvrir!!
Crazy Stone - www.remi-coulom.-
fr/CrazyStone
JProGraM - goo.gl/FislJe
ParadisEO - paradiseo.gforge.inria.fr
Mixmod - www.mixmod.org
STKK++ - www.stkpp.org
Packages pour R disponibles sur cran.r-
project.org et r-forge.r-project.org :
BlockCluster, Clustericat, CoModes, CorReg,
FunFEM, FunHDDC, HDPenReg, MPAGenomics,
MetaMA, MetaRNASeq, MixAll, MixCluster,
RankCluster, clere, rtkore
Les Hauts de France, le
Machine Learning dans la peau
des problèmes génériques (ordonnancement flow-shop,
élaboration de tournées, etc.) que des problèmes
industriels de logistique, transport, énergie ou de bioin-
formatique.
Les axes de recherche sont :
- Analyse de la structure d'un problème d'optimisation
combinatoire, où plusieurs indicateurs sont utilisés pour
étudier le contexte du problème. Ceci a permis la
conception d'opérateurs, fonctions objectifs et de
méthodes hybrides efficaces pour la résolution de
problèmes mono-objectif et multi-objectif;
- hybridation de méthodes aux comportements
complémentaires (métaheuristiques et/ou méthodes exact-
es);
- méthodes d'optimisation parallèles, pour accélérer les
temps de recherche, résoudre des problèmes de grande
taille, améliorer la robustesse et la qualité des solutions ob-
tenues.
Partenariats industriels : EDF, GDF-Suez, Tasker, énergie
(électricité, cloud); Genes Diffusion, Alicante, bioinform-
atique; DHL, Vekia, Opalean, logistique et transport.
MODAL - "MOdel for Data Analysis and Learning" -
sequel.lille.inria.fr
MODAL développe de modèles génératifs pour l'analyse de
données hétérogènes et / ou complexes multivariées. les
exemples typiques de ce type de données sont des covari-
ables nominales multivariées ou la combinaison de vari-
ables continues et nominales hétérogènes.
Bien évidemment, le traitement d'autres covariables com-
plexes - ordinales, de rapport ou d'intervalle - est envis-
ageable.
A partir de ces modèles génératifs, une analyse statistique
pertinente permet ensuite d'obtenir l'analyse visuelle et la
classification supervisée, semi-supervisée ou à l'estimation
de densité.
les axes de recherche se concentre sur les modèles
génératifs, qui sont des modèles décrivant le processus de
génération des données, à la différence des modèles
prédictifs.
Relations industriels : PGXIS UK, PharmacoGenomic
Innovative Solutions, Institut Pasteur de Paris, IBL Institut
Biologique de Lille, Rouge gorge, PIXEO
INOCS - "INtegrated Optimization with Complex
Structure" - team.inria.fr/inocs
INOCS travaille sur la modélisation et la résolution des
problèmes d’optimisation de grande taille avec structure
complexe. L’optimisation consiste à trouver une meilleure
solution parmi un ensemble de solutions possibles. Sa
modélisation peut être un programme mathématique où les
variables de décisions doivent satisfaire un ensemble de
contraintes définissant la réalisabilité de la solution et
optimiser une ou plusieurs fonctions objectifs.
Elle est dite à structure complexe quand il comprend des
décisions de type/nature différentes (par exemple
stratégique, tactique ou opérationnelle) et/ou des décisions
présentant une structure hiérarchique du type meneur-
suiveur (problèmes bi-niveau) et/ou des décisions prises
dans un environnement incertain.
Les axes de recherche sont :
- utiliser la structure de façon explicite pour déterminer les
modèles les plus appropriés
- méthodes de résolutions intégrées basées sur la
programmaition mathématique
- outil de détection de structure dans les modèles
- boîte à outils de méthodes pour résoudre des problèmes
d'optimisation avec structure complexe.
Partenariats industriels : EDF, DHL, Alcatel, Eurocontrol,
Coliweb
HEUDIASYC - " Heuristique et Diagnostic des Systèmes
Complexes" - www.hds.utc.fr/heudiasyc/recher-
che/equipe-di
L'équipe DI (Décision, Image) concentre son activité sur le
développement de nouvelles méthodes d'analyse et de fu-
sion de données, le raisonnement dans l'incertain,
l'apprentissage statistique, l'analyse d'images et la vision
par ordinateur.
Les axes de recherches sont :
- théorie des fonctions de croyance
- fusion, estimation d’état
- régression, discrimination, classification automatique
- apprentissage faiblement supervisé
- classification croisée
- pénalités parcimonieuses
- perception 3D référencée vision et image
Les applications se font dans les secteurs de l'environ-
nement, de la santé, des transports, du diagnostic industri-
el, la bioinformatique et l'aide au diagnostic médical.
04 euratech trends
Retrouvez‐nous sur le Web! www.euratechnologies.com
EuraTechnologies
165 avenue de Bretagne
59000 Lille
Equipe Développement économique : 03.20.19.18.55
Accueil EuraTechnologies : 03.59.08.32.30
contact@euratechnologies.com

Contenu connexe

Tendances

Cours Big Data Chap1
Cours Big Data Chap1Cours Big Data Chap1
Cours Big Data Chap1
Amal Abid
 
IA et Big Data : mythes et réalité
IA et Big Data : mythes et réalitéIA et Big Data : mythes et réalité
IA et Big Data : mythes et réalité
Faurie Christophe
 
Valtech - Du BI au Big Data, une révolution dans l’entreprise
Valtech - Du BI au Big Data, une révolution dans l’entrepriseValtech - Du BI au Big Data, une révolution dans l’entreprise
Valtech - Du BI au Big Data, une révolution dans l’entreprise
Valtech
 
Matinée 01 Big Data
Matinée 01 Big DataMatinée 01 Big Data
Matinée 01 Big Data
Evenements01
 
Du Big Data vers le SMART Data : Scénario d'un processus
Du Big Data vers le SMART Data : Scénario d'un processusDu Big Data vers le SMART Data : Scénario d'un processus
Du Big Data vers le SMART Data : Scénario d'un processus
CHAKER ALLAOUI
 
Les enjeux du Big Data pour l'Entreprise - These professionnelle -Touria Engo...
Les enjeux du Big Data pour l'Entreprise - These professionnelle -Touria Engo...Les enjeux du Big Data pour l'Entreprise - These professionnelle -Touria Engo...
Les enjeux du Big Data pour l'Entreprise - These professionnelle -Touria Engo...
Touria Engohan
 
Le Big Data transforme en profondeur le monde de la Banque et de l’Assurance
Le Big Data transforme en profondeur le monde de la Banque et de l’AssuranceLe Big Data transforme en profondeur le monde de la Banque et de l’Assurance
Le Big Data transforme en profondeur le monde de la Banque et de l’Assurance
Abdessatar Hammedi
 
Big data en (ré)assurance régis delayet
Big data en (ré)assurance   régis delayetBig data en (ré)assurance   régis delayet
Big data en (ré)assurance régis delayet
Kezhan SHI
 
Forum du GFII paris 2013
Forum du GFII paris 2013Forum du GFII paris 2013
Data Science & Big Data, réalités et perspectives.
Data Science & Big Data, réalités et perspectives.Data Science & Big Data, réalités et perspectives.
Data Science & Big Data, réalités et perspectives.
Aleph Technologies
 
Livre blanc "Big Data" de l'EBG
Livre blanc "Big Data" de l'EBGLivre blanc "Big Data" de l'EBG
Livre blanc "Big Data" de l'EBG
Margarita Zlatkova
 
2014 Présentation pour la soutenance du probatoire "Big Data"de galsungen
2014 Présentation pour la soutenance du probatoire "Big Data"de galsungen2014 Présentation pour la soutenance du probatoire "Big Data"de galsungen
2014 Présentation pour la soutenance du probatoire "Big Data"de galsungen
Galsungen
 
Big Data... Big Analytics à travers les âges, les industries et les technologies
Big Data... Big Analytics à travers les âges, les industries et les technologiesBig Data... Big Analytics à travers les âges, les industries et les technologies
Big Data... Big Analytics à travers les âges, les industries et les technologies
Hassan Lâasri
 
Croisière sur le data lake
Croisière sur le data lakeCroisière sur le data lake
Croisière sur le data lake
David Morel
 
EXL Group - Offre Data Science
EXL Group - Offre Data ScienceEXL Group - Offre Data Science
EXL Group - Offre Data Science
Ashraf Grioute
 
Valtech - Big Data : Détails d’une mise en œuvre
Valtech - Big Data : Détails d’une mise en œuvreValtech - Big Data : Détails d’une mise en œuvre
Valtech - Big Data : Détails d’une mise en œuvre
Valtech
 
Chapitre1 introduction
Chapitre1 introductionChapitre1 introduction
Chapitre1 introduction
Mouna Torjmen
 
Etude sur le Big Data
Etude sur le Big DataEtude sur le Big Data
Etude sur le Big Data
Nexialog Consulting
 
Livre Blanc SAS - EBG 30 cas concrets de Datavisualisation / Dataviz
Livre Blanc SAS - EBG 30 cas concrets de Datavisualisation / DatavizLivre Blanc SAS - EBG 30 cas concrets de Datavisualisation / Dataviz
Livre Blanc SAS - EBG 30 cas concrets de Datavisualisation / Dataviz
echangeurba
 
Baina bigdata le futur eldorado
Baina bigdata le futur eldoradoBaina bigdata le futur eldorado
Baina bigdata le futur eldorado
Karim Baïna
 

Tendances (20)

Cours Big Data Chap1
Cours Big Data Chap1Cours Big Data Chap1
Cours Big Data Chap1
 
IA et Big Data : mythes et réalité
IA et Big Data : mythes et réalitéIA et Big Data : mythes et réalité
IA et Big Data : mythes et réalité
 
Valtech - Du BI au Big Data, une révolution dans l’entreprise
Valtech - Du BI au Big Data, une révolution dans l’entrepriseValtech - Du BI au Big Data, une révolution dans l’entreprise
Valtech - Du BI au Big Data, une révolution dans l’entreprise
 
Matinée 01 Big Data
Matinée 01 Big DataMatinée 01 Big Data
Matinée 01 Big Data
 
Du Big Data vers le SMART Data : Scénario d'un processus
Du Big Data vers le SMART Data : Scénario d'un processusDu Big Data vers le SMART Data : Scénario d'un processus
Du Big Data vers le SMART Data : Scénario d'un processus
 
Les enjeux du Big Data pour l'Entreprise - These professionnelle -Touria Engo...
Les enjeux du Big Data pour l'Entreprise - These professionnelle -Touria Engo...Les enjeux du Big Data pour l'Entreprise - These professionnelle -Touria Engo...
Les enjeux du Big Data pour l'Entreprise - These professionnelle -Touria Engo...
 
Le Big Data transforme en profondeur le monde de la Banque et de l’Assurance
Le Big Data transforme en profondeur le monde de la Banque et de l’AssuranceLe Big Data transforme en profondeur le monde de la Banque et de l’Assurance
Le Big Data transforme en profondeur le monde de la Banque et de l’Assurance
 
Big data en (ré)assurance régis delayet
Big data en (ré)assurance   régis delayetBig data en (ré)assurance   régis delayet
Big data en (ré)assurance régis delayet
 
Forum du GFII paris 2013
Forum du GFII paris 2013Forum du GFII paris 2013
Forum du GFII paris 2013
 
Data Science & Big Data, réalités et perspectives.
Data Science & Big Data, réalités et perspectives.Data Science & Big Data, réalités et perspectives.
Data Science & Big Data, réalités et perspectives.
 
Livre blanc "Big Data" de l'EBG
Livre blanc "Big Data" de l'EBGLivre blanc "Big Data" de l'EBG
Livre blanc "Big Data" de l'EBG
 
2014 Présentation pour la soutenance du probatoire "Big Data"de galsungen
2014 Présentation pour la soutenance du probatoire "Big Data"de galsungen2014 Présentation pour la soutenance du probatoire "Big Data"de galsungen
2014 Présentation pour la soutenance du probatoire "Big Data"de galsungen
 
Big Data... Big Analytics à travers les âges, les industries et les technologies
Big Data... Big Analytics à travers les âges, les industries et les technologiesBig Data... Big Analytics à travers les âges, les industries et les technologies
Big Data... Big Analytics à travers les âges, les industries et les technologies
 
Croisière sur le data lake
Croisière sur le data lakeCroisière sur le data lake
Croisière sur le data lake
 
EXL Group - Offre Data Science
EXL Group - Offre Data ScienceEXL Group - Offre Data Science
EXL Group - Offre Data Science
 
Valtech - Big Data : Détails d’une mise en œuvre
Valtech - Big Data : Détails d’une mise en œuvreValtech - Big Data : Détails d’une mise en œuvre
Valtech - Big Data : Détails d’une mise en œuvre
 
Chapitre1 introduction
Chapitre1 introductionChapitre1 introduction
Chapitre1 introduction
 
Etude sur le Big Data
Etude sur le Big DataEtude sur le Big Data
Etude sur le Big Data
 
Livre Blanc SAS - EBG 30 cas concrets de Datavisualisation / Dataviz
Livre Blanc SAS - EBG 30 cas concrets de Datavisualisation / DatavizLivre Blanc SAS - EBG 30 cas concrets de Datavisualisation / Dataviz
Livre Blanc SAS - EBG 30 cas concrets de Datavisualisation / Dataviz
 
Baina bigdata le futur eldorado
Baina bigdata le futur eldoradoBaina bigdata le futur eldorado
Baina bigdata le futur eldorado
 

En vedette

EuraTech Trends : Le Mobile
EuraTech Trends : Le MobileEuraTech Trends : Le Mobile
EuraTech Trends : Le Mobile
EuraTechnologies
 
EuraTech Trends : Open Data
EuraTech Trends : Open DataEuraTech Trends : Open Data
EuraTech Trends : Open Data
EuraTechnologies
 
EuraTech Trends : la Cybersecurite
EuraTech Trends : la CybersecuriteEuraTech Trends : la Cybersecurite
EuraTech Trends : la Cybersecurite
EuraTechnologies
 
Offre tertiaire relation clients v13102011
Offre tertiaire relation clients v13102011Offre tertiaire relation clients v13102011
Offre tertiaire relation clients v13102011
regionalp
 
Journal Abvietfrance numero 1 2015
Journal Abvietfrance numero 1 2015Journal Abvietfrance numero 1 2015
Journal Abvietfrance numero 1 2015
Hong-Anh Vu
 
IT in 2020
IT in 2020IT in 2020
IT in 2020
Ian Grant-Smith
 
Pitch digiteam-v02
Pitch digiteam-v02Pitch digiteam-v02
Pitch digiteam-v02
Gregory Gueneau
 
Choisir WordPress pour gérer un site d’information
Choisir WordPress pour gérer un site d’informationChoisir WordPress pour gérer un site d’information
Choisir WordPress pour gérer un site d’information
Kim Gjerstad
 
Gautier m grenoble_2011
Gautier m grenoble_2011Gautier m grenoble_2011
Gautier m grenoble_2011
Michael Blum
 
IT Future 2012 - Fujitsu et Euratechnologies par Raouti Chenih
IT Future 2012 - Fujitsu et Euratechnologies par Raouti ChenihIT Future 2012 - Fujitsu et Euratechnologies par Raouti Chenih
IT Future 2012 - Fujitsu et Euratechnologies par Raouti Chenih
Fujitsu France
 
Présentation PEA PME
Présentation PEA PMEPrésentation PEA PME
Présentation PEA PME
PME Finance
 
Note "Les PME & ETI françaises face à la conjoncture " - 3ème trimestre 2014
Note "Les PME & ETI françaises face à la conjoncture " - 3ème trimestre 2014Note "Les PME & ETI françaises face à la conjoncture " - 3ème trimestre 2014
Note "Les PME & ETI françaises face à la conjoncture " - 3ème trimestre 2014
PME Finance
 
Fujitsu IT Future 2013 : Construire votre architecture Cloud pour vous, vos p...
Fujitsu IT Future 2013 : Construire votre architecture Cloud pour vous, vos p...Fujitsu IT Future 2013 : Construire votre architecture Cloud pour vous, vos p...
Fujitsu IT Future 2013 : Construire votre architecture Cloud pour vous, vos p...
Fujitsu France
 
Fujitsu IT Future 2013 : L’entreprise mobile et sécurisée à partir de n’impor...
Fujitsu IT Future 2013 : L’entreprise mobile et sécurisée à partir de n’impor...Fujitsu IT Future 2013 : L’entreprise mobile et sécurisée à partir de n’impor...
Fujitsu IT Future 2013 : L’entreprise mobile et sécurisée à partir de n’impor...
Fujitsu France
 
Data driven innovation for growth and well being
Data driven innovation for growth and well beingData driven innovation for growth and well being
Data driven innovation for growth and well being
innovationoecd
 

En vedette (15)

EuraTech Trends : Le Mobile
EuraTech Trends : Le MobileEuraTech Trends : Le Mobile
EuraTech Trends : Le Mobile
 
EuraTech Trends : Open Data
EuraTech Trends : Open DataEuraTech Trends : Open Data
EuraTech Trends : Open Data
 
EuraTech Trends : la Cybersecurite
EuraTech Trends : la CybersecuriteEuraTech Trends : la Cybersecurite
EuraTech Trends : la Cybersecurite
 
Offre tertiaire relation clients v13102011
Offre tertiaire relation clients v13102011Offre tertiaire relation clients v13102011
Offre tertiaire relation clients v13102011
 
Journal Abvietfrance numero 1 2015
Journal Abvietfrance numero 1 2015Journal Abvietfrance numero 1 2015
Journal Abvietfrance numero 1 2015
 
IT in 2020
IT in 2020IT in 2020
IT in 2020
 
Pitch digiteam-v02
Pitch digiteam-v02Pitch digiteam-v02
Pitch digiteam-v02
 
Choisir WordPress pour gérer un site d’information
Choisir WordPress pour gérer un site d’informationChoisir WordPress pour gérer un site d’information
Choisir WordPress pour gérer un site d’information
 
Gautier m grenoble_2011
Gautier m grenoble_2011Gautier m grenoble_2011
Gautier m grenoble_2011
 
IT Future 2012 - Fujitsu et Euratechnologies par Raouti Chenih
IT Future 2012 - Fujitsu et Euratechnologies par Raouti ChenihIT Future 2012 - Fujitsu et Euratechnologies par Raouti Chenih
IT Future 2012 - Fujitsu et Euratechnologies par Raouti Chenih
 
Présentation PEA PME
Présentation PEA PMEPrésentation PEA PME
Présentation PEA PME
 
Note "Les PME & ETI françaises face à la conjoncture " - 3ème trimestre 2014
Note "Les PME & ETI françaises face à la conjoncture " - 3ème trimestre 2014Note "Les PME & ETI françaises face à la conjoncture " - 3ème trimestre 2014
Note "Les PME & ETI françaises face à la conjoncture " - 3ème trimestre 2014
 
Fujitsu IT Future 2013 : Construire votre architecture Cloud pour vous, vos p...
Fujitsu IT Future 2013 : Construire votre architecture Cloud pour vous, vos p...Fujitsu IT Future 2013 : Construire votre architecture Cloud pour vous, vos p...
Fujitsu IT Future 2013 : Construire votre architecture Cloud pour vous, vos p...
 
Fujitsu IT Future 2013 : L’entreprise mobile et sécurisée à partir de n’impor...
Fujitsu IT Future 2013 : L’entreprise mobile et sécurisée à partir de n’impor...Fujitsu IT Future 2013 : L’entreprise mobile et sécurisée à partir de n’impor...
Fujitsu IT Future 2013 : L’entreprise mobile et sécurisée à partir de n’impor...
 
Data driven innovation for growth and well being
Data driven innovation for growth and well beingData driven innovation for growth and well being
Data driven innovation for growth and well being
 

Similaire à Euratech'trends : Machine Learning

Comprenez-vous l’intelligence artificielle ?
Comprenez-vous l’intelligence artificielle ?Comprenez-vous l’intelligence artificielle ?
Comprenez-vous l’intelligence artificielle ?
BigBrain Evolution
 
L'avent de la super intelligence artificielle et ses impacts
L'avent de la super intelligence artificielle et ses impactsL'avent de la super intelligence artificielle et ses impacts
L'avent de la super intelligence artificielle et ses impacts
Fernando Alcoforado
 
EXTRA-Présentation generale 180923.pptx
EXTRA-Présentation generale 180923.pptxEXTRA-Présentation generale 180923.pptx
EXTRA-Présentation generale 180923.pptx
Infopole1
 
Machine learning as a service MLaaS
Machine learning as a service  MLaaSMachine learning as a service  MLaaS
Machine learning as a service MLaaS
Takwa Chaabane
 
COURS INTELLIGENCE ARTIFICIELLE.pptx
COURS INTELLIGENCE ARTIFICIELLE.pptxCOURS INTELLIGENCE ARTIFICIELLE.pptx
COURS INTELLIGENCE ARTIFICIELLE.pptx
PROF ALAIN NDEDI
 
Conférence les technologies du numérique st exupéry 8 nov. 2017
Conférence les technologies du numérique st exupéry 8 nov.  2017Conférence les technologies du numérique st exupéry 8 nov.  2017
Conférence les technologies du numérique st exupéry 8 nov. 2017
SinGuy
 
2019-06-04 aOS Strasbourg - Décideurs 1 - L'intelligence artificielle démysti...
2019-06-04 aOS Strasbourg - Décideurs 1 - L'intelligence artificielle démysti...2019-06-04 aOS Strasbourg - Décideurs 1 - L'intelligence artificielle démysti...
2019-06-04 aOS Strasbourg - Décideurs 1 - L'intelligence artificielle démysti...
aOS Community
 
Advanced persistent threat = émergence du simple vandalisme au cybercrimine...
Advanced persistent threat =  émergence du simple vandalisme au cybercrimine...Advanced persistent threat =  émergence du simple vandalisme au cybercrimine...
Advanced persistent threat = émergence du simple vandalisme au cybercrimine...
ITrust - Cybersecurity as a Service
 
Les systèmes intelligents
Les systèmes intelligentsLes systèmes intelligents
Les systèmes intelligents
Nour El Houda Megherbi
 
Le Machine Learning pour lutter contre les menaces en termes de Cybersécurité...
Le Machine Learning pour lutter contre les menaces en termes de Cybersécurité...Le Machine Learning pour lutter contre les menaces en termes de Cybersécurité...
Le Machine Learning pour lutter contre les menaces en termes de Cybersécurité...
Philippe Beraud
 
First step about IA and business
First step about IA and businessFirst step about IA and business
First step about IA and business
David Argellies
 
Parlez-vous le langage IA ? 30 notions pour comprendre l'IA
Parlez-vous le langage IA ? 30 notions pour comprendre l'IAParlez-vous le langage IA ? 30 notions pour comprendre l'IA
Parlez-vous le langage IA ? 30 notions pour comprendre l'IA
BigBrain Evolution
 
Apprentissage Automatique et moteurs de recherche
Apprentissage Automatique et moteurs de rechercheApprentissage Automatique et moteurs de recherche
Apprentissage Automatique et moteurs de recherche
Philippe YONNET
 
Debuteraveclesmls
DebuteraveclesmlsDebuteraveclesmls
Test slideshare
Test slideshareTest slideshare
Test slideshare
AgroData
 
Euratech'trends : Intelligence Artificielle
Euratech'trends : Intelligence ArtificielleEuratech'trends : Intelligence Artificielle
Euratech'trends : Intelligence Artificielle
EuraTechnologies
 
Big data et machine Learning
Big data et machine Learning Big data et machine Learning
Big data et machine Learning
ichrafkhalfaoui
 
IA, vous avez dit IA ?
IA, vous avez dit IA ?IA, vous avez dit IA ?
IA, vous avez dit IA ?
Ipsos France
 
LA SUPERINTELLIGENCE ARTIFICIELLE, SES BÉNÉFICES ET NUIRES ET QUE FAIRE POUR ...
LA SUPERINTELLIGENCE ARTIFICIELLE, SES BÉNÉFICES ET NUIRES ET QUE FAIRE POUR ...LA SUPERINTELLIGENCE ARTIFICIELLE, SES BÉNÉFICES ET NUIRES ET QUE FAIRE POUR ...
LA SUPERINTELLIGENCE ARTIFICIELLE, SES BÉNÉFICES ET NUIRES ET QUE FAIRE POUR ...
Faga1939
 
How AI metyourcomex
How AI metyourcomexHow AI metyourcomex
How AI metyourcomex
Loic Poujol
 

Similaire à Euratech'trends : Machine Learning (20)

Comprenez-vous l’intelligence artificielle ?
Comprenez-vous l’intelligence artificielle ?Comprenez-vous l’intelligence artificielle ?
Comprenez-vous l’intelligence artificielle ?
 
L'avent de la super intelligence artificielle et ses impacts
L'avent de la super intelligence artificielle et ses impactsL'avent de la super intelligence artificielle et ses impacts
L'avent de la super intelligence artificielle et ses impacts
 
EXTRA-Présentation generale 180923.pptx
EXTRA-Présentation generale 180923.pptxEXTRA-Présentation generale 180923.pptx
EXTRA-Présentation generale 180923.pptx
 
Machine learning as a service MLaaS
Machine learning as a service  MLaaSMachine learning as a service  MLaaS
Machine learning as a service MLaaS
 
COURS INTELLIGENCE ARTIFICIELLE.pptx
COURS INTELLIGENCE ARTIFICIELLE.pptxCOURS INTELLIGENCE ARTIFICIELLE.pptx
COURS INTELLIGENCE ARTIFICIELLE.pptx
 
Conférence les technologies du numérique st exupéry 8 nov. 2017
Conférence les technologies du numérique st exupéry 8 nov.  2017Conférence les technologies du numérique st exupéry 8 nov.  2017
Conférence les technologies du numérique st exupéry 8 nov. 2017
 
2019-06-04 aOS Strasbourg - Décideurs 1 - L'intelligence artificielle démysti...
2019-06-04 aOS Strasbourg - Décideurs 1 - L'intelligence artificielle démysti...2019-06-04 aOS Strasbourg - Décideurs 1 - L'intelligence artificielle démysti...
2019-06-04 aOS Strasbourg - Décideurs 1 - L'intelligence artificielle démysti...
 
Advanced persistent threat = émergence du simple vandalisme au cybercrimine...
Advanced persistent threat =  émergence du simple vandalisme au cybercrimine...Advanced persistent threat =  émergence du simple vandalisme au cybercrimine...
Advanced persistent threat = émergence du simple vandalisme au cybercrimine...
 
Les systèmes intelligents
Les systèmes intelligentsLes systèmes intelligents
Les systèmes intelligents
 
Le Machine Learning pour lutter contre les menaces en termes de Cybersécurité...
Le Machine Learning pour lutter contre les menaces en termes de Cybersécurité...Le Machine Learning pour lutter contre les menaces en termes de Cybersécurité...
Le Machine Learning pour lutter contre les menaces en termes de Cybersécurité...
 
First step about IA and business
First step about IA and businessFirst step about IA and business
First step about IA and business
 
Parlez-vous le langage IA ? 30 notions pour comprendre l'IA
Parlez-vous le langage IA ? 30 notions pour comprendre l'IAParlez-vous le langage IA ? 30 notions pour comprendre l'IA
Parlez-vous le langage IA ? 30 notions pour comprendre l'IA
 
Apprentissage Automatique et moteurs de recherche
Apprentissage Automatique et moteurs de rechercheApprentissage Automatique et moteurs de recherche
Apprentissage Automatique et moteurs de recherche
 
Debuteraveclesmls
DebuteraveclesmlsDebuteraveclesmls
Debuteraveclesmls
 
Test slideshare
Test slideshareTest slideshare
Test slideshare
 
Euratech'trends : Intelligence Artificielle
Euratech'trends : Intelligence ArtificielleEuratech'trends : Intelligence Artificielle
Euratech'trends : Intelligence Artificielle
 
Big data et machine Learning
Big data et machine Learning Big data et machine Learning
Big data et machine Learning
 
IA, vous avez dit IA ?
IA, vous avez dit IA ?IA, vous avez dit IA ?
IA, vous avez dit IA ?
 
LA SUPERINTELLIGENCE ARTIFICIELLE, SES BÉNÉFICES ET NUIRES ET QUE FAIRE POUR ...
LA SUPERINTELLIGENCE ARTIFICIELLE, SES BÉNÉFICES ET NUIRES ET QUE FAIRE POUR ...LA SUPERINTELLIGENCE ARTIFICIELLE, SES BÉNÉFICES ET NUIRES ET QUE FAIRE POUR ...
LA SUPERINTELLIGENCE ARTIFICIELLE, SES BÉNÉFICES ET NUIRES ET QUE FAIRE POUR ...
 
How AI metyourcomex
How AI metyourcomexHow AI metyourcomex
How AI metyourcomex
 

Euratech'trends : Machine Learning

  • 1. Le machine learning ou apprentissage automatique retrouve depuis quelques années un regain d'intérêt (cf. Hype Cycle de Gartner ci-après), lié en partie au développe- ment des technologies du Big Data. Comme bon nombre de technologies, le Machine Learning existait déjà dans l'esprit d'Alan Turing ("Computing Machinery and intelligence", 1950) ou d'Arthur Samuel ("Some studies un Machine Learning, Using the game of checkers", 1959) comme un moyen de dépasser les limites de l'informatique naissante. Dans un traitement habituel, déterministe, on applique à un jeu de données, une suite d'opérations ou algorithme, pour obtenir un résultat, un objectif; exemple le plus trivial, un tri par couleur et / ou taille. Dans le cas du machine learning, on dispose de données que l'on appelle communément jeu d'entrainement, dont le volume et la qualité sont cruciaux pour l'atteinte de l'objec- tif. L'enjeux va être de trouver par apprentissage (par itéra- tion) à partir de ce jeu d'entrainement un modèle ou programme, afin d'atteindre un objectif et / ou découvrir une relation. Pour parer à l'explosion combinatoire de l'analyse de l'ensemble des solutions possibles et proposer dans un temps contraint (bien souvent en temps réel) la meilleure solution, on s'appuie sur des lois statistique et de probabilité. Le travail du Data Scientist va consister à s'assurer de la qualité du jeu d'entrainement, à choisir un ou plusieurs al- gorithmes, à choisir les valeurs des variables de risque ou d'incertitude en fonction des objectifs à atteindre et enfin à créer un ou plusieurs modèles qui seront ensuite utilisés de manière opérationnelle. Afin d'optimiser ce processus, le Data Scientist doit également posséder des connaissances métier. Le choix de l'algorithme est un des éléments primordiaux dans le processus de réalisation du modèle. Il existe au- jourd'hui une multitude d'algorithme. La multiplication des domaines d'applications implique également la création de nouveaux algorithme, adaptée aux besoins du domaine, en s'appuyant notamment sur la recherche. 24 mars 2016 Édition 1 Numéro 8 euratech trends Statistiques, Probabilités et Algorithmique ... et Data Scientist " Le Machine Learning est le champs d'étude qui donne aux ordinateurs la capacité d'apprendre sans être explicitement programmés" Arthur Samuel ­ 1959 EuraTechnologies +(33) 320 191 855 "Most of the knowledge in the world in the future is going to be extracted by machines and will reside in ma- chines." Yann LeCun Director of AI Research, Facebooks. Machine Learning, algorithme à tout faire... "It is probably wise to include a random element in a learning machine" Alan Turing
  • 2. 23% des data scientist travaillent dans l'industrie du logiciel pour seulement 1% en cybersécurité ‐ "2015 Data Science Salary Survey”, O'Reilly, 2015. euratech trends Il existe plusieurs méthodes d'apprentissage auxquelles sont associées des familles d'algorithme. Ces méthodes et algorithmes évoluent au grès des besoins et demandes in- duites par la diffusion du Machine Learning dans de nom- breux secteurs d'activités. Nous ne présenterons ci-dessous que quelques exemples, n'ayant pas la préten- tion de pouvoir être exhaustif, tant ce champ est vaste à explorer. L’apprentissage supervisé consiste à créer des modèles prédictifs à partir de jeux de données d’entrée et de sorties connues. Il est appliqué dans les problématiques de clas- sification ou de régression (relation entre deux ou plusieurs variables). Quelques algorithmes associés : - arbres de décision boostés et agrégés - machines à vecteur de support - classifieur bayésien naïf - classification des k plus proches voisins - analyse discriminante - réseaux de neurones L’apprentissage non supervisé permets de détecter des motifs cachés ou des structures intrinsèques propres au jeux de données. Quelques algorithmes associés : - k-means et groupement hiérarchique - mélanges gaussiens (utilisant la maximisation de l’espérance conditionnelle) - chaînes de Markov cachées - cartes auto-organisatrices (SOM) - réseaux de neurones par couche compétitive - réseaux de neurones d’apprentissage par quantification de vecteur (LVQ) En complément, citons l'apprentissage semi-supervisé (jeux de données connues et inconnues), l'apprentissage par renforcement (récompense) ou encore l'apprentissage profond (Deep Learning). L'avenir se dessine avec le mariage de l'informatique quantique et du machine learning, on parle déjà de Quantum Machine Learning. Par ailleurs certains commen- cent à imaginer l'algorithme ultime, capable de tout ap- prendre, de tout comprendre, de tout résoudre, "The Master Algorithm"!!! (Pedro Domingos, 2015) Les usages sont multiples, et chacun d'entre nous l'a expérimenté, souvent sans en avoir vraiment conscience! Que ce soit le logiciel anti-spam d'une boîte mails, le logi- ciel de reconnaissance de caractères d'un scanner, le moteur de recommandations d'un site marchand ou "Translate" de Google, tous utilisent le Machine Learning. Son utilisation s'étend au domaine de la finance, pour le calcul de risque d'emprunt, la détection de fraude ou le trading; en médecine, dans l'imagerie médicale ou pour le diagnostic préventif du cancer; dans les Télécoms, réseaux informatiques et la logistique pour l'optimisation des flux (données ou véhicules); en robotique, en vision artificielle et encore bien d'autres. L'un des derniers domaines investit par le Machine Learning est l'usine. En effet, la diffusion de milliers de capteurs dans les sites de production et par voie de conséquence l'enregistrement de millions de données sont un nouveau terrain de jeu pour le Machine Learning, notamment pour le suivi de la qualité, de la production, de la planification ou de la maintenance en temps réel (projet iPRODICT, Industry 4.0, Fraunhofer-Institut). 02 Kaggle, une plateforme dédiée aux challenges Machine Learning Kaggle ( www.kaggle.com) propose aux entre- prises, laboratoires de recherche ou universités d'orga- niser des challenges primés ou non sur la base de leur jeux de données. Santander Bank y propose par exemple un challenge primé de 60 000$ dont l'objectif est de ré- pondre à la question "Quels clients sont des clients heureux?" Kaggle est également le partenaire de The National Insti- tutes of Health lors d'un concours dont la finalité est de créer un algorithme pour automatiser le diagnostic cardi- aque sur la base de données recueillies auprès de plus de 1000 patients. Apprentissage et algorithme USAGES Les outils informatiques du Data Scientist
  • 3. La région des Hauts-de-France ne compte pas moins de 6 équipes de recherche, soit près d'une centaine de chercheurs et doctorants qui travaillent sur le Machine Learning et ses applications. Magnet - "MAchine learninG in information NETworks" - team.inria.fr/magnet Magnet s'intéresse à la définition de méthodes et modèles d'apprentissage automatique au sein de réseaux d'informations, en particulier ceux présents sur Internet : réseaux d'interac- tions, hyperliens ou réseaux sociaux. Ces réseaux sont constitués d'informations en grand volume, hétérogènes, principalement textuelles, organisées sous forme de grands graphes dont les liens sont explicites ou induits. Les objectifs envisagés sont les systèmes de veille, de recherche et d'extraction d'informations, et de recom- mandation. Les axes de recherche se décomposent en: - découverte de structures pour la prédiction structurée pour les textes, prédiction de liens, clustering, evaluation de densités dans les graphes; - association de représentations et de méthodes d'apprentissage pour la manipulation de données hétérogènes; - structuration en graphes des données pour la classification, la diffusion et la recom- mandation. Partenariats industriels : SAP, Music Story, Clic and Walk, Pôle de compétitivité PICOM SequeL - "Sequential Learning" - sequel.lille.inria.fr SequeL développe des concepts et al- gorithmes fiables pour répondre aux problématiques de systèmes artificiels traitant, par exemple, des pages web créées, modifiées ou supprimées du web ou des mesures de capteurs acquises par un système passif ou actif (interagissant sur son environnement, tel que agent logiciel ou robot matériel). À partir de ces données, ces systèmes extraient des informations, pour repérer des objets (classification), pour évaluer les paramètres d'un processus (estimation), pour interagir avec son environnement (décision séquentielle). Ces algorithmes sont également utilisables dans le cadre de traitement par lot de gros volume de données. Ces travaux ont des applications dans les systèmes de recommendation ou le jeu de Go ( Crazy Stone, logiciel primé à de nombreuses reprises). Les axes de recherche couverts sont : - apprentissage séquentiel; - prise de décision dans l'incertain; - problèmes de bandits; - apprentissage par renforcement;. Partenariats industriels : France Telecom, Oranges Labs, Intel, Nuukik, ... Dolphin - "Discrete multiobjective Optimization for Large-scale Problems with Hybrid dIstributed techNiques" - dolphin.lille.inria.fr DOLPHIN a pour objectif la modélisation et la résolution parallèle de problèmes d'optimisation combinatoire (multi-objectifs) de grande taille. Des méthodes parallèles coopératives efficaces sont développées à partir de l'analyse de la structure du problème traité. Les problèmes ciblés sont aussi bien AGENDA Machine Learning Conference : 15 avril - New York 7 octobre, Londres hmlconf.com 12th International Conference on Machine Learning and Data Mining : du 16 au 21 juin, New York www.mldm.de 33rd International Conference on Machine Learning (ICML 2016) : du 19 au 24 juin, New York icml.cc/2016 Conférence francophone sur l’apprentissage automatique (CAp 2016): du 4 au 7 juillet , Mar- seille cap16.lif.univ-mrs.fr European Conference on Machine Learning and Principles and Practice of Knowledge Discovery : du 19 au 23 septembre - Rival del Garda www.ecmlpkdd2016.org IEEE International Conference on Machine Learning and Applications (ICMLA'16) : du 18 au 20 décembre, Los Angeles 03euratech trends SQL reste un outil indispensable : 70 % des répondants du sondage O'reilly ("2015 Data Science Salary Survey”, 2015) déclarent l'utiliser et qu'une étude de CrowdFlower ( "What skills should data scientists have in 2016?", 2016) indique qu'il est une compétence demandée dans près de 60% des offres d'emploi. Logiciels conçus par les équipes de recherche, à découvrir!! Crazy Stone - www.remi-coulom.- fr/CrazyStone JProGraM - goo.gl/FislJe ParadisEO - paradiseo.gforge.inria.fr Mixmod - www.mixmod.org STKK++ - www.stkpp.org Packages pour R disponibles sur cran.r- project.org et r-forge.r-project.org : BlockCluster, Clustericat, CoModes, CorReg, FunFEM, FunHDDC, HDPenReg, MPAGenomics, MetaMA, MetaRNASeq, MixAll, MixCluster, RankCluster, clere, rtkore Les Hauts de France, le Machine Learning dans la peau
  • 4. des problèmes génériques (ordonnancement flow-shop, élaboration de tournées, etc.) que des problèmes industriels de logistique, transport, énergie ou de bioin- formatique. Les axes de recherche sont : - Analyse de la structure d'un problème d'optimisation combinatoire, où plusieurs indicateurs sont utilisés pour étudier le contexte du problème. Ceci a permis la conception d'opérateurs, fonctions objectifs et de méthodes hybrides efficaces pour la résolution de problèmes mono-objectif et multi-objectif; - hybridation de méthodes aux comportements complémentaires (métaheuristiques et/ou méthodes exact- es); - méthodes d'optimisation parallèles, pour accélérer les temps de recherche, résoudre des problèmes de grande taille, améliorer la robustesse et la qualité des solutions ob- tenues. Partenariats industriels : EDF, GDF-Suez, Tasker, énergie (électricité, cloud); Genes Diffusion, Alicante, bioinform- atique; DHL, Vekia, Opalean, logistique et transport. MODAL - "MOdel for Data Analysis and Learning" - sequel.lille.inria.fr MODAL développe de modèles génératifs pour l'analyse de données hétérogènes et / ou complexes multivariées. les exemples typiques de ce type de données sont des covari- ables nominales multivariées ou la combinaison de vari- ables continues et nominales hétérogènes. Bien évidemment, le traitement d'autres covariables com- plexes - ordinales, de rapport ou d'intervalle - est envis- ageable. A partir de ces modèles génératifs, une analyse statistique pertinente permet ensuite d'obtenir l'analyse visuelle et la classification supervisée, semi-supervisée ou à l'estimation de densité. les axes de recherche se concentre sur les modèles génératifs, qui sont des modèles décrivant le processus de génération des données, à la différence des modèles prédictifs. Relations industriels : PGXIS UK, PharmacoGenomic Innovative Solutions, Institut Pasteur de Paris, IBL Institut Biologique de Lille, Rouge gorge, PIXEO INOCS - "INtegrated Optimization with Complex Structure" - team.inria.fr/inocs INOCS travaille sur la modélisation et la résolution des problèmes d’optimisation de grande taille avec structure complexe. L’optimisation consiste à trouver une meilleure solution parmi un ensemble de solutions possibles. Sa modélisation peut être un programme mathématique où les variables de décisions doivent satisfaire un ensemble de contraintes définissant la réalisabilité de la solution et optimiser une ou plusieurs fonctions objectifs. Elle est dite à structure complexe quand il comprend des décisions de type/nature différentes (par exemple stratégique, tactique ou opérationnelle) et/ou des décisions présentant une structure hiérarchique du type meneur- suiveur (problèmes bi-niveau) et/ou des décisions prises dans un environnement incertain. Les axes de recherche sont : - utiliser la structure de façon explicite pour déterminer les modèles les plus appropriés - méthodes de résolutions intégrées basées sur la programmaition mathématique - outil de détection de structure dans les modèles - boîte à outils de méthodes pour résoudre des problèmes d'optimisation avec structure complexe. Partenariats industriels : EDF, DHL, Alcatel, Eurocontrol, Coliweb HEUDIASYC - " Heuristique et Diagnostic des Systèmes Complexes" - www.hds.utc.fr/heudiasyc/recher- che/equipe-di L'équipe DI (Décision, Image) concentre son activité sur le développement de nouvelles méthodes d'analyse et de fu- sion de données, le raisonnement dans l'incertain, l'apprentissage statistique, l'analyse d'images et la vision par ordinateur. Les axes de recherches sont : - théorie des fonctions de croyance - fusion, estimation d’état - régression, discrimination, classification automatique - apprentissage faiblement supervisé - classification croisée - pénalités parcimonieuses - perception 3D référencée vision et image Les applications se font dans les secteurs de l'environ- nement, de la santé, des transports, du diagnostic industri- el, la bioinformatique et l'aide au diagnostic médical. 04 euratech trends Retrouvez‐nous sur le Web! www.euratechnologies.com EuraTechnologies 165 avenue de Bretagne 59000 Lille Equipe Développement économique : 03.20.19.18.55 Accueil EuraTechnologies : 03.59.08.32.30 contact@euratechnologies.com