Nos évènements

Description :
Computer Vision & Deep Learning applied to GPS signals

Description :
Evaluation of Conversational Agents for Aerospace Domain.

Description :
Présentation du framework Koalas : une solution pour unifier les Data Scientists et les Data Engineers en implémentant les API Pandas sur Apache Spark.

Description :
A l'heure où les avancées scientifiques ne peuvent se faire qu’en ayant connaissance des faits antérieurs, comment rendre accessible et utilisables le savoir existant ?
Qu'est-ce que la connaissance ? Une (co) relation entre entités ? Une ligne dans une base de données ? Une publi ? Une ontologie ?
Quelle est la discipline qui vous aidera à rassembler vos donnée, votre équipe, vos outils et vos process afin de devenir une véritable organisation data-driven et ainsi faire mentir les chiffres de Gartner ? Cette discipline est la DataOps.

Description :
In this presentation Cesar shows the design and development of several award winning data visualization platforms, including DataUSA and the Observatory of Economic Complexity. He describes the design principles that guide the development of these tools, as well as the innovations that power them.

Description :
Apprentissage profond sur les données 3D et notamment nuages de points

Description :
Trois présentations sur la gestion des expériences en Machine Learning : Polyaxon, Sacred, MLFlow & DVC

Description :
Présentation des défis actuels du traitement des langues avec un focus sur les modèles récents basés sur les Transformers et les modèles de langue (BERT, GPT, XLnet)

Description :
Sujet 1 : Google Colab & Google Cloud Deep Learning VM : Le ML dans le Cloud de façon simple par Florient Chouteau
Sujet 2 : Comment Ignite simplifie l'entraînement de réseaux de neurones avec PyTorch ? par Victor Fomin
Sujet 3 : REX sur l'organisation d'une compétition Kaggle présenté par Jean-Francois Faudi

Description :
Présentation du "online learning" qui utilise des modèles qui apprennent au fur et à mesure que les données arrivent. Suivi d'une introduction au framework Crème

Description :
L'apprentissage développemental est un domaine de l'intelligence artificielle qui tire son inspiration de la psychologie développementale, et en particulier, de la façon dont les enfants apprennent en interagissant avec leur environnement. En robotique, l'apprentissage développemental a de nombreuses applications et permet notamment d'envisager l'élaboration de robots qui sont capables de se construire leurs propres représentations du monde au travers de leurs interactions, et donc, d'être plus aptes à évoluer dans des environnements peu prédictibles

Description :
Présentation des systèmes open source de reconnaissance automatique de la parole (RAP) conversationnelle

Description :
Des nouvelles techniques permettant d’expliquer les résultats produits par des modèles black-box ont vu le jour et attirent de plus en plus l’intérêt de la communauté data science et de l'industrie

Description :
Apache Kafka offre une plateforme de streaming distribuée qui simplifie le "stream processing" : KSQL.

Description :
Comment le Deep Learning a été introduit dans un monde de physiciens
Quelques exemples d'applications du Deep Learning à la météorologie

Description :
Talk 1 : Le DL en pratique avec Keras
Talk 2 : Reinforced Learning & Trading

Description :
Etat de l'art des chatbots - problème de la gestion des modèles ML sous-jacent et de leur évaluation par rapport à un cas d'utilisation réaliste - présentation de ParlAI (Facebook - projet open source)

Description :
Talk 1 : Introduction to Scalable & Automatic Machine Learning with H2O
Talk 2 : Making Multimillion-dollar Baseball Decisions with H2O AutoML and Shiny

Description :
Introduction du contexte dans lequel la célèbre crypto-monnaie est née. Puis découverte de son fonctionnement et de ses différentes facètes au travers du prisme de la science des systèmes distribués (algorithmes de concensus). Découverte des différents compromis choisis par le Bitcoin, et la variété d'autres possibilités, illustrées par d'autres crypto-monnaies comme l'Ethereum, Monero, ZCash etc.

Description :
Suite à la conférence du 1er février, Julien vous propose deux ateliers afin de vous permettre de mettre en pratique certaines méthodes présentées la veille.

Description :
Suite à la conférence du 1er février, Julien vous propose deux ateliers afin de vous permettre de mettre en pratique certaines méthodes présentées la veille.

Description :
Le transfert de style est une tâche à part entière : comprendre et extraire le style d'une œuvre d'art pour l'appliquer à une photo sans modifier son contenu sémantique (objets présents dans la scène).
L'usage des GANs a permis d'obtenir de meilleurs résultats dans de nombreuses tâches où il est question de génération d'images: synthèse d'images, super-résolution, image-to-image translation, transfert de style, et beaucoup d'autres! Les GANs permettent aussi de faire du pré-apprentissage non-supervisé, pour obtenir de meilleurs résultats en classification d'images, même avec peu de données labellisées.

Description :
Tour d'horizon pratique des méthodes et des graphiques qui permettent de visualiser efficacement différents types de données. Il faudra pour cela suivre quelques règles, puisées dans la littérature (statistique, graphisme, psychologie)… pour mieux s'en affranchir, parfois !

Description :
Sujet 1 : C'est l'histoire d'un mec ... qui veut se mettre à la DataScience par Maxime Pawlak
Sujet 2 : Data Science dans le navigateur grâce à WebAssembly (et autres standards web modernes) par Nicolas Decoster
Sujet 3 : Apprendre le Deep Learning sur la plateforme RAMP par Victor Fomin

Description :
Introduction à LIME : technique novatrice permettant de visualiser les caractéristiques de l'image qui ont permis au modèle de prendre sa décision
Mieux qualifier ses données avec le data management (discipline assurant la qualité des ressources numériques) et la sémantique et les ontologies (le graal de la gestion des connaissances)

Description :
Objectif de la compétition : Produire des plans depuis des images satellites.
31ème place sur 419 participants.
Deep Learning U-net

Description :
Ethique et algorithme, où est la limite??
Mécanismes permettant de mettre en place des applications de machine learning transparentes et auditables.
Problématiques liées aux données à caractère personnel et la protection de vie privée des utilisateurs : solutions pratiques qui mettent en oeuvre le paradigm "privacy by design" recommandé par le GDPR (General Data Protection Regulation)

Description :
Qui n’a jamais entendu ces 2 buzzwords du moment : Deep Learning & Tensorflow ?
avoir résoudre des équations différentielles n’est plus nécessaire... Au programme : comment choisir la bonne architecture de réseau de neurones pour votre problème et comment bien gérer son apprentissage.

Description :
Microsoft Azure propose une offre étendue de services en ligne, depuis les machines virtuelles jusqu’aux services de stockages, en passant par les plateformes IoT et des outils en ligne élaborés pour les data scientists.
Nous vous proposons de venir découvrir le cloud Azure, avec un focus particulier sur les outils dédiés au Machine Learning.

Description :
Si vous faites du Machine Learning, et que vous vous dites que vous ne connaissez rien aux statistiques, vous êtes comme M. Jourdain… vous faites des statistiques sans le savoir!
Alors, qu’appelle -t-on des statistiques?

Description :
Les données affluent, les systèmes traditionnelles ne sont plus adaptés ni pour stocker, ni pour traiter les données... Bref bienvenue dans un projet typique du 21ème siècle : vous voilà embarqués dans l'univers du Big Data...
Théorème CAP, architectures master/slaves, algo distribuable, etc...

Description :
DSS (Data Science Studio) est une plateforme qui facilite et accélère l’analyse de données et la création d’applications business et prédictives en environnement Big Data. Quoi de mieux qu’un concours de data science pour expérimenter la solution ?

Description :
Le cleaning, filtering, feature engineering, création de modèle, stacking, blending, validation, cross-validation, etc… sont les différentes étapes d’une bonne recette de machine learning. Alexia Audevart et Reynald Rivière s’appuieront sur le concours de data science: “Le Meilleur Data Scientist de France” pour introduire ces concepts.

Description :
après un appel à contribution, quatre membres du TDS viennent partager avec nous un sujet que les passionnent ! Nous avons concocté un menu très riche : de l'histoire de la data science au Deep Learning, en passant par les techniques de modélisation du langage et une démo sympa d'Apache Zeppelin, un notebook avec nitroglycérine !

Description :
Amazon Machine Learning, un service qui facilite l'utilisation des technologies d'apprentissage-machine pour les développeurs de tous niveaux de compétences. Amazon ML permet d'obtenir facilement des prédictions pour votre application à l'aide de simples API, sans avoir à appliquer des codes de génération de prédictions personnalisés ou à gérer une infrastructure.

Description :
Python has an extremely rich and healthy ecosystem of data science tools (known as PyData ecosystem). Python's popularity for data science is largely due to the strength of its core libraries, high productivity for prototyping and building small and reusable systems. Unfortunately, to outsiders this ecosystem can be a bit confusing for those new to Python, or even experienced programmers moving to Python for its excellent data analysis capabilities.
Peadar will touch on pure python, NumPy, Pandas, Blaze, xray, bcolz, Dask, and Spark, with a focus on the use-cases for each one. What do you do when your data doesn't fit in-memory, when do you need to use a functional programming approach - when do you need a compression? Where does Dask fit into all of this? When do you need Spark?

Description :
vous vous demandez encore où poser et prendre votre vélo basé sur votre “feeling” ? Et si on passait à une approche “data driven” ?
OpenBikes (http://openbikes.co/) tourne pour plus de 70 villes dans le monde et permet de visualiser les prédictions des vélibs en temps réel.

Description :
Le programme européen Copernicus vise à doter l'Europe d'une capacité opérationnelle et autonome d'observation de la Terre en tant que « services d’intérêt général européen, à accès libre, plein et entier ».
Curieux de savoir comment le Big Data peut canaliser ce déluge venu de l’espace?

Description :
Aujourd'hui, la majorité du “big data” est représentée sous format texte et représenterait 80% de l’information disponible.
comment les ordinateurs peuvent “comprendre” la signification du langage, reconnaître quels concepts un mot ou une phrase représentent et savoir comment lier ces concepts ensemble d'une manière significative ?

Description :
Lorsque l’on pense à des technologies liées à la Big Data, on pense de suite à l’éco-système Hadoop, ou bien à Elasticsearch ou bien ces temps-ci beaucoup à Spark, mais il y a un « petit service » de Google qui ne fait pas beaucoup parler de lui mais qui peut tirer son épingle du jeu dans différents cas de figure.

Description :
Face à l'explosion du volume d'informations, la data est devenue “Big” et cela ne vous aura pas échappé. Vous avez sans doute entendu que le données se comptent désormais par Zettaoctets, qu’il y a de valeur cachée dans ce tas de données et que pour les analyser il faut faire appel aux technologies Big Data ! Et Hadoop fut !
Souvent pris par synonyme de Big Data, Hadoop est aujourd’hui bien plus qu’un simple framework pour le traitement massivement parallèle. L’écosystème Hadoop est aujourd’hui très riche et mature : MapReduce, Pig, Hive, Tez, Spark, Flume et plus encore.

Description :
Les time series databases sont devenues une pièce fondamentale dans le stockage et dans l’analyse de plusieurs type de données machine. A l’ère de l’Internet des Objets, ces données machines portent en elle une composante essentielle, le temps !
Alors, comment les stocker de manière efficace et scalable avec ce flot des données qui déferle tous les jours sur votre système d’information ?
Quels sont les choix, les technologies, avantages et inconvénients des différentes solutions?

Description :
10 raisons qui vous pousseront vous aussi à tenter l'aventure des concours de Data Science. Débutant, expert, curieux, matheux, codeur, ... n'attendez plus pour vous y mettre ! Seul ou en équipe, chacun peut y trouver son bonheur et vivre une expérience unique. Au menu de cette présentation : anecdotes, astuces, et conseils pour bien commencer !

Description :
Vous utilisez encore des requêtes SQL pour faire des recherches ? Vos utilisateurs vous reprochent de ne pas pouvoir chercher sur toutes les rubriques ? Votre temps de réponse moyen est supérieur à la demi-seconde avec seulement quelques millions de documents ? Il vous faut 3 jours pour produire des statistiques sur vos données ? Vous rêvez d’offrir une recherche à la google sur les données de votre SI ?

Description :
Le mouvement NoSQL offre des bases de données simplifiées et distribuables pour gérer plus facilement vos données semi-structurées et pour monter en charge horizontalement sur plusieurs machines. MongoDB est un moteur NoSQL solide et open source qui stocke les données en format JSON
2 présentations : MongoDB & IoT et REx chez Dexstr

Description :
Louis Dorard, auteur du livre Bootstrapping Machine Learning, nous présentera les APIs de prédictions, cette nouvelle façon de démocratiser la création d’applications intelligentes basées sur le Machine Learning.

Description :
Retour d’expérience du prototype Big Data mis en place au sein chez Lyra Network, un des opérateurs leaders du paiement avec 50 millions de transactions monétiques et e-commerce réalisées quotidiennement.

Description :
Que peut-il bien avoir en commun entre le réseau professionnel LinkedIn, l’élection présidentiel d’Obama en 2012, le troisième brasseur mondial Heineken et le département de police de Los Angeles ? Ces quatres examples, bien que dans de domaines complétement différents, révèlent l’atout majeur de ces acteurs : tous sont en train d'extraire des informations des jeux de données volumieux dans l’objectif d’avoir un avantage compétitif dans leur “marché” ! et de l’analyse prédictive, ou pour faire simple, de la “data science”.