Projet TITAN. optimisation mathématique apprentissage statistique (applications en radio-astronomie)
|
|
- Martial Falardeau
- il y a 8 ans
- Total affichages :
Transcription
1 Projet TITAN optimisation mathématique apprentissage statistique (applications en radio-astronomie) Équipe de 36 chercheurs sur 8 labos (Grenoble, Lille, Paris, Nice) Coordinateur: Jérôme MALICK (CNRS, LJK, Grenoble) Colloque Mastodons jeudi 10 décembre 2015
2 Plan de la présentation Titan 1 Contexte scientifique: apprentissage, optimisation et applications (en radio-astronomie) 2 (Quelques) contributions de 2015 Optimisation pour problèmes inverses structurés Apprentissage et optimisation non-convexes Application à la reconstruction et calibration en radio-astronomie 3 Réalisations de 2015 (grâce au soutien du projet) 4 Perspectives pour 2016
3 Plan de la présentation Contexte scientifique: apprentissage, optimisation et applications (en radio-astronomie) 1 Contexte scientifique: apprentissage, optimisation et applications (en radio-astronomie) 2 (Quelques) contributions de 2015 Optimisation pour problèmes inverses structurés Apprentissage et optimisation non-convexes Application à la reconstruction et calibration en radio-astronomie 3 Réalisations de 2015 (grâce au soutien du projet) 4 Perspectives pour 2016
4 Contexte scientifique: apprentissage, optimisation et applications (en radio-astronomie) Contexte: data science, maths applis, pbs inverses Nouveau domaine scientifique : science des données transverse à l informatique, les maths, traitement du signal... extraire de l information de masses de données complexes Nouveaux défis en maths applis, notamment: optimisation mathématique (les maths du mieux-faire ) apprentissage statistique (comprendre/modéliser par les données) Coeur de Titan : modéliser, analyser et résoudre des problèmes inverses de très grande taille : min x F (x) + λ Ω(x) minimiser : un terme d attache aux données + un terme de structure
5 Contexte scientifique: apprentissage, optimisation et applications (en radio-astronomie) Exemple 1 : classification supervisée en vision automatique Régularisation par norme-trace solutions de faible rang min W R d k n f i (W ) + λ σ(w ) 1 i=1 Grande taille dans les trois dimensions: # examples = n 1 # features = d 1 # classes = k 1
6 Contexte scientifique: apprentissage, optimisation et applications (en radio-astronomie) Exemple : reconstruction d images en radio-astronomie technologie du passé technologie du futur!! Téléscope-logiciel grands réseaux, flexibles et pas chers gros de flux de données et énorme traitement numérique notamment: problèmes inverses de grande taille min X R d k + L i d l H l x l 2 + λ S W S X 1 + λ ν XW ν 1 l=1
7 Deux projets Mastodons en 2014 Contexte scientifique: apprentissage, optimisation et applications (en radio-astronomie) Projet Mastodons Gargantua apprentissage et optimisation pour les données gigantesques coordinateur : Zaid Harchaoui (Inria/LJK) Projet Mastodons Display traitement de données pour les grandes grilles en radio-astronomie coordinateur : André Ferrari (Université de Nice, Observatoire de la Côte d Azur)
8 Contexte scientifique: apprentissage, optimisation et applications (en radio-astronomie) Fusion en 2015 : Titan (36 chercheurs & 8 labos) LIG (Grenoble): apprentissage et fouille de données M. Amini, E. Gaussier LJK (Grenoble): optimisation, apprentissage et applications Z. Harchaoui, F. Iutzeler, A. Juditsky, J. Malick, J. Mairal LIENS (ENS Ulm): apprentissage automatique A. d Aspremont, S. Arlot, F. Bach, S. Lacoste-Julien LPP (Lille): apprentissage, statistique C. Beckermann, C. Biernacki, A. Celisse, J. Jacques Lagrange (Nice): image, radioastronomie, optimisation A. Ferrari, C. Ferrari, C. Fevotte, R. Flamary, T. Lanz, D. Mary, C. Richard, M. Vannier SATIE (ENS Cachan et al): traitement dantennes, auto-calibration N. El Korso, P. Forster, P. Larzabal, T. Rodet LTCI (Telecom ParisTech) : optimisation stochastique er distribuée P. Bianchi, J.F. Cardoso, G. Fort, W. Hachem, E. Moulines L2S (Gif sur Yvette) : traitement du signal et images R. Boyer, N. Gac
9 Titan : fusion réussie Contexte scientifique: apprentissage, optimisation et applications (en radio-astronomie) Intérêt commun: maths et algorithmes pour les problèmes inverses en grande dimension (optimisation mathématique et applications) Titan est un succès au-delà de nos attentes! Gargantua Display projets communs + nouvelles perspectives Highlight: reconstruction d image utilise un algorithme développé par LJK (ex-gargantua) + LTCI (ex-display) P. Bianchi, W. Hachem, and F. Iutzeler A Stochastic Coordinate Descent Primal-Dual Algorithm and Applications to Large-Scale Composite Optimization ArXiv preprint Consortium Titan: Toute la chaine: production, analyse et exploitations de données Recherche multidisplinaire (sections 06,07,41...) Coeur: maths applis pour les problèmes big data Contributions méthodologiques, analyse algorithmique (convergence, garanties statistiques, accélérations...)
10 Plan de la présentation (Quelques) contributions de Contexte scientifique: apprentissage, optimisation et applications (en radio-astronomie) 2 (Quelques) contributions de 2015 Optimisation pour problèmes inverses structurés Apprentissage et optimisation non-convexes Application à la reconstruction et calibration en radio-astronomie 3 Réalisations de 2015 (grâce au soutien du projet) 4 Perspectives pour 2016
11 (Quelques) contributions de 2015 (Quelques) contributions de 2015 Publications dans journaux Publications dans conférences : apprentissage et traitement du signal (Données et) codes disponibles (ex: github) Équipe très active... (publications ) Pour cette présentation : insister sur les différences vs Optimisation convexe pour problèmes inverses structurés 2 Apprentissage et optimisation non-convexe 3 Application à la reconstruction et calibration en radio-astronomie
12 (Quelques) contributions de 2015 Optimisation convexe pour problèmes inverses structurés Participants A. Ferrari (Lagrange), G. Fort (LTCI), Z. Harchaoui (LJK), A. Juditsky (LJK), J. Malick (LJK), E. Moulines (LTCI), C. Richard (Lagrange) Liste de contributions de 2015 sur ce thème Récupération des signaux par optimization convexe (COLT15) Accelération universelle d algorithmes du premier ordre (NIPS15) Stabilisation de la méthode de décomposition de Benders (soumis) Méthodes de gradients proximals stochastisques (soumis) Algorithmes distribués de type diffusion sur un cluster (plusieurs conférences en traitement du signal) Algorithmes semi-proximaux...
13 Accuracy 1. Matrix completion: `2-fit + nuclear norm Ex: algorithmes semi-proximaux Problèmes convexes 0 10 Semi MP(fixed=12) avec double Semi SPG(fixed=12) régularisation Semi MP(fixed=24) Semi MP(fixed=48) Semi MP(eps=1/t) Semi MP(eps=5/t) Semi MP(eps=10/t) min X R d k Semi SPG(eps=5/t) Semi SPG(eps=25/t) 10 F (X) + 1 Ω 1 (X) + Ω 2 (X) où Ω 1 est proximable et Ω 2 ne l est pas Number of LMO calls Number of LMO calls Algorithmes Number of LMO calls semi-proximaux : (a)semi-mp Accuracy Semi SPG(fixed=24) Semi SPG(fixed=48) Semi SPG(eps=1/t) (b)semi-spg (Quelques) contributions de 2015 Algorithme mélange les opérateurs proximaux et les oracles linéaires Figure: Analyse mathématique de la vitesse de convergence 2. Robust Avantages collaborative pour les filtering: applications `1-loss en + grandes nuclear dimensions norm Accuracy 10 2 Smooth CG(γ=1e 1) Smooth CG(γ=1e 2) Smooth CG(γ=1e 3) (c)smooth-cg Synthetic dataset( ): optimality gap vs the LMO calls. Accuracy Semi MP Semi SPG Smooth CG Number of LMO calls (d)best of three Objective valule Exemple 1 : matrix completion Ω 1 (X) = X 1 Ω 2 (X) = σ(x) Semi MP(eps=10/t) Semi MP(fixed=96) Smooth CG(γ=0.01) Semi SPG(eps=5/t) Semi SPG(fixed=96) Objective valule Semi MP(eps=5/t) Semi MP(fixed=24) Smooth CG(γ=1) Semi SPG(eps=10/t) Semi SPG(fixed=24) Elapsed time (sec) (a) MovieLens 100K( ) Elapsed time (sec) (b) MovieLens 1M( )
14 Apprentissage et optimisation non-convexes (Quelques) contributions de 2015 Participants Alex d Aspremont (LIENS), Francis Bach (LIENS), Rémy Flamary (Lagrange), Julien Mairal (LJK), Jérôme Malick (LJK) Contributions de 2015 Unit-Commitment stochastique (accepté dans Annals of Operation Research ) Étude des fonctions-probabilité (accepté dans Optimization Letters ) Régularizations non-convexes pour la classification (IGARSS2015) Algorithmes pour l optimization sous-modulaire (preprint) Descente par coordonées dans le cas non-convexe (CAMSAP) Méthode Majorization-Minimization incrémentale... (accepté dans SIAM Journal on Optimization ) + enveloppe convexe lisse de top-k (utilisée dans projet Aersos)
15 (Quelques) contributions de 2015 Ex: algorithmes majorization-minimization incrémentaux et stochastiques Reǵulariseurs non-convexes pour plus de parcimonie par exemple Minorer un majorant itrativement : simple et utile Contribution : passer a l échelle du problèmes big data Version stochastique à les bonnes propriétés de convergence Tests : factorisation de matrices structurée + estimation parcimonieuse
16 Reconstruction et calibration en radio-astronomie (Quelques) contributions de 2015 Participants R. Boyer (L2S), A. Ferrari (Lagrange), C. Ferrari (Lagrange), N. El Korso (SATIE), P. Larzabal (SATIE), D. Mary (Lagrange), Contributions de 2015 Traitement de séries temporelles massives bruitées (GRETSI) Algorithmes distribuée de déconvolution spatio-spectral (chapitre d un livre) Estimation des intensités lumineuses par un algorithme ADMM distributé (presque fini) Calibration et traitement d antennes pour les grands réseaux interférométriques (articles dans ICASSP-2016, CAMSAP15) (Exemple 2 du début)
17 Plan de la présentation Réalisations de 2015 (grâce au soutien du projet) 1 Contexte scientifique: apprentissage, optimisation et applications (en radio-astronomie) 2 (Quelques) contributions de 2015 Optimisation pour problèmes inverses structurés Apprentissage et optimisation non-convexes Application à la reconstruction et calibration en radio-astronomie 3 Réalisations de 2015 (grâce au soutien du projet) 4 Perspectives pour 2016
18 Grâce au soutien financier de Titan... Réalisations de 2015 (grâce au soutien du projet) Deux utilisations principales : financer des missions et (co-)financer des évènements Déplacements entre Nice, Grenoble et Paris Déplacements à des conférences notamment des jeunes (présentations ou membres de comités scientifiques) Organisation de workshops, écoles dété, sessions spéciales à des conférences, invitations...
19 Grâce au soutien financier : workshops Réalisations de 2015 (grâce au soutien du projet) Workshop OSL Optimization and Statistical Learning (Fév. 2015) une semaine organisée par LJK et LIENS très haut niveau international réunit les grands noms pendant une semaine aux Houches Large-scale Learning Spring School (Avril 2015) deux journées de cours, juste avant StatLearn orateurs prestigieux: Stephane Canu (LITIS, INSA Rouen) et Yann LeCun (NYU and Facebook) 70 participants... Workshop Titan Large-scale learning and optimization (Nov. 2015) une journée organisée à Grenoble par LJK et OCA une quarantaine de participants multiples conséquences (scientifiques et locales) (ex: connection avec le Gipsa et d autres equipes du LJK...) Workshop on Optim. for Image and Signal Processing (Déc. 2015) ces trois derniers jours! une quarantaine de participants, nombreux étrangers
20 Grâce au soutien intellectuel de Titan... Réalisations de 2015 (grâce au soutien du projet) Notre groupe gagne en visibilité en France et à l international ex : workshop OSL + ICML2015! Rapprochement des communautés apprentissage et optimisation Repositionnement des GdR GdR RO (évènements), GdR MOA (+ thème apprentissage et optimisation stochastique), GdR MIA (+ optimisation) Positionnement au sein du GdR Madics: Action ATLAS (LIG + LJK) apprentissage, optimisation à large-échelle et calcul distribué Et à Grenoble... : Nouvelle équipe DAO (optimization and learning for data science) dans le département proba-stats du LJK Séminaire OGre (100 personnes inscrites!) (LJK, LIG, Gipsa-lab, G-Scop, CEA, G2e-lab, Inria) Titan nous aide a structurer notre recherche
21 Plan de la présentation Perspectives pour Contexte scientifique: apprentissage, optimisation et applications (en radio-astronomie) 2 (Quelques) contributions de 2015 Optimisation pour problèmes inverses structurés Apprentissage et optimisation non-convexes Application à la reconstruction et calibration en radio-astronomie 3 Réalisations de 2015 (grâce au soutien du projet) 4 Perspectives pour 2016
22 Perspectives scientifiques Perspectives pour 2016 Sur notre lancée 1 Suivre la dynamique entre des sous-groupes du projet Ex : optimisation stochastique (algorithme d optimisation avec garanties, LJK + LTCI) Ex : étudiants en thèse (une débutée en septembre LJK + LIENS) 2 Écart les propriétés théoriques des algorithmes et leur propriétés observées en pratique sur des données réelles 3 Pour l application en radio-astronomie : on arrive au coeur du sujet... Nouvelles questions 1 Optimisation distribuée au-delà de l algorithmique, vers le calcul haute performance 2 Optimisation avec des données de mauvaise qualité optim. robuste, ou avec contraintes en probabilité
23 Perspectives pour 2016 Perspectives pour 2016 Nouveaux membres Laurent Condat (Gipsa-lab) méthodes de décomposition Jalal Fadili (Univ. Caen) problèmes inverses en image et peut-être: Pierre Genevès (LIG) langages, calculs Évènements déjà prévus pour 2016 workshop Optimization with Borders (Fév. 2016) rassemblera tous les grands noms de l école russe d optimisation autour de Yurii Nesterov organisation de sessions à la conférence Piconf (Juin 2016) sensibilisation dans la communauté maths des problèmes inverses préparation d une winter school optimisation et big data dans le cadre des mini-cours du GdR MOA Mathématiques de l optimisation et applications (Mai ou Nov. 2016?)
Masses de données. 1. Introduction 2. Problématiques 3. Socle de formation (non présenté) 4. Liens avec Formation INSA
Masses de données 1. Introduction 2. Problématiques 3. Socle de formation (non présenté) 4. Liens avec Formation INSA Rédacteurs : Mjo Huguet / N. Jozefowiez 1. Introduction : Besoins Informations et Aide
Plus en détailde calibration Master 2: Calibration de modèles: présentation et simulation d
Master 2: Calibration de modèles: présentation et simulation de quelques problèmes de calibration Plan de la présentation 1. Présentation de quelques modèles à calibrer 1a. Reconstruction d une courbe
Plus en détailSemestre HPC. Violaine Louvet. Institut Camille Jordan - CNRS louvet@math.univ-lyon1.fr. Labex MILyon, Printemps 2016
Semestre HPC Violaine Louvet Institut Camille Jordan - CNRS louvet@math.univ-lyon1.fr Labex MILyon, Printemps 2016 V. Louvet (ICJ) Semestre HPC Printemps 2016 1 / 9 Présentation du semestre Modélisation
Plus en détailOptimisation et programmation mathématique. Professeur Michel de Mathelin. Cours intégré : 20 h
Télécom Physique Strasbourg Master IRIV Optimisation et programmation mathématique Professeur Michel de Mathelin Cours intégré : 20 h Programme du cours d optimisation Introduction Chapitre I: Rappels
Plus en détailLaboratoire d informatique Gaspard-Monge UMR 8049. Journée Labex Bézout- ANSES
Laboratoire d informatique Gaspard-Monge UMR 8049 Journée Labex Bézout- ANSES Présentation du laboratoire 150 membres, 71 chercheurs et enseignants-chercheurs, 60 doctorants 4 tutelles : CNRS, École des
Plus en détailÉlue Correspondant le 25 avril 1994, puis Membre le 30 novembre 2004 dans la section Sciences mécaniques et informatiques
Odile Macchi Élue Correspondant le 25 avril 1994, puis Membre le 30 novembre 2004 dans la section Sciences mécaniques et informatiques Odile Macchi est directeur de recherche émérite au CNRS. Formation
Plus en détailIntroduction au Data-Mining
Introduction au Data-Mining Gilles Gasso, Stéphane Canu INSA Rouen -Département ASI Laboratoire LITIS 8 septembre 205. Ce cours est librement inspiré du cours DM de Alain Rakotomamonjy Gilles Gasso, Stéphane
Plus en détailJuly 1, 2013. Stéphan Clémençon (Télécom ParisTech) Mastère Big Data July 1, 2013 1 / 15
Mastère Spécialisé Big Data Stéphan Clémençon Télécom ParisTech July 1, 2013 Stéphan Clémençon (Télécom ParisTech) Mastère Big Data July 1, 2013 1 / 15 Agenda Contexte et Opportunité Les grandes lignes
Plus en détail10ème Congrès Français d'acoustique Lyon, 12-16 Avril 2010
10ème Congrès Français d'acoustique Lyon, 12-16 Avril 2010 Le compressed sensing pour l holographie acoustique de champ proche II: Mise en œuvre expérimentale. Antoine Peillot 1, Gilles Chardon 2, François
Plus en détailLe Master Mathématiques et Applications
Le Master Mathématiques et Applications Franck BOYER franck.boyer@univ-amu.fr Institut de Mathématiques de Marseille Aix-Marseille Université Marseille, 20 Mai 2014 1/ 16 Structure générale Vue d ensemble
Plus en détailFormation Actuaire Data Scientist. Programme au 24 octobre 2014
Formation Actuaire Data Scientist Programme au 24 octobre 2014 A. Eléments logiciels et programmation Python 24h Objectif : Introduction au langage Python et sensibilisation aux grandeurs informatiques
Plus en détailTour d horizon de l apprentissage statistique. from Machine Learning to Big Data Analytics
Tour d horizon de l apprentissage statistique. from Machine Learning to Big Data Analytics Stéphane Canu asi.insa-rouen.fr/enseignants/~scanu Codeur en Seine 2014, Université de Rouen 27 novembre 2014
Plus en détailApprentissage Automatique
Apprentissage Automatique Introduction-I jean-francois.bonastre@univ-avignon.fr www.lia.univ-avignon.fr Définition? (Wikipedia) L'apprentissage automatique (machine-learning en anglais) est un des champs
Plus en détailEmergence du Big Data Exemple : Linked Open Data
16/05/2014 Une approche interdisciplinaire des grandes masses de données (Défi Mastodons) Mokrane Bouzeghoub DAS INS2I / MI 1 Emergence du Big Data Exemple : Linked Open Data Accès à plusieurs BD scientifiques
Plus en détailPrédiction et Big data
Prédiction et Big data Mitra Fouladirad Institut Charles Delaunay - UMR CNRS 6281 Université de Technologie de Troyes 29 avril 2015 1 1 Sujet Motivation Le pronostic ou la prédiction du comportement futur
Plus en détailEfficacité énergétique des réseaux de cœur et d accès
Efficacité énergétique des réseaux de cœur et d accès David Coudert Joanna Mouliérac, Frédéric Giroire MASCOTTE I3S (CNRS/Université Nice Sophia-Antipolis) INRIA Sophia-Antipolis Méditerranée 1 Contexte
Plus en détailUne comparaison de méthodes de discrimination des masses de véhicules automobiles
p.1/34 Une comparaison de méthodes de discrimination des masses de véhicules automobiles A. Rakotomamonjy, R. Le Riche et D. Gualandris INSA de Rouen / CNRS 1884 et SMS / PSA Enquêtes en clientèle dans
Plus en détailIODAA. de l 1nf0rmation à la Décision par l Analyse et l Apprentissage / 21
IODAA de l 1nf0rmation à la Décision par l Analyse et l Apprentissage IODAA Informations générales 2 Un monde nouveau Des données numériques partout en croissance prodigieuse Comment en extraire des connaissances
Plus en détailSaadi KHOCHBIN. Directeur de recherche CNRS. médaille d Argent. Institut des sciences biologiques. Institut Albert Bonniot (IAB)
Saadi KHOCHBIN Directeur de recherche CNRS Institut Albert Bonniot (IAB) Inserm / UJF Institut des sciences biologiques médaille d Argent Les projets développés par Saadi Khochbin s inscrivent essentiellement
Plus en détailEmergence du Big Data Exemple : Linked Open Data
1 CNRS - Misionpour l'interdisciplinarité Mokrane Bouzeghoub 1 Une approche interdisciplinaire des grandes masses de données (Défi Mastodons) Mokrane Bouzeghoub DAS INS2I / MI Ecole de L Innova.on Thérapeu.
Plus en détailCMI ECONOMIE, FINANCE QUANTITATIVE ET STATISTIQUES - PARCOURS FORMATION EN APPRENTISSAGE
Université de PARIS 2 - ASSAS 1/3 PARCOURS FORMATION EN APPRENTISSAGE L1 S1 Mathématiques 1 4 L1 S1 Statistiques 1 4 L1 S1 Fondemants de l'informatique 4 L1 S1 Compléments Maths 2 L1 S1 Compléments Stats
Plus en détailRecherche et Formation dans un environnement de pointe. Contact: Eric.Beaugnon@ujf-grenoble.fr
Recherche et Formation dans un environnement de pointe Contact: Eric.Beaugnon@ujf-grenoble.fr 1 Grenoble: forte synergie recherche formation relations industrielles Années 8 International training courses
Plus en détailL auto-archivage en maths, quoi de neuf?
L auto-archivage en maths, quoi de neuf? Anna Wojciechowska Rencontres RNBM : 1-5 Octobre 2007 Questionnaires 1er questionnaire : novembre 2005 : 128 réponses Participants : Besançon, Bordeaux, Clermont
Plus en détailTout au long de votre cursus Quel métier futur? Dans quel secteur d activité? En fonction de vos goûts et aptitudes et du «niveau d emploi» dans ce
Tout au long de votre cursus Quel métier futur? Dans quel secteur d activité? En fonction de vos goûts et aptitudes et du «niveau d emploi» dans ce «profil» S orienter (éventuellement se réorienter) dans
Plus en détail4.2 Unités d enseignement du M1
88 CHAPITRE 4. DESCRIPTION DES UNITÉS D ENSEIGNEMENT 4.2 Unités d enseignement du M1 Tous les cours sont de 6 ECTS. Modélisation, optimisation et complexité des algorithmes (code RCP106) Objectif : Présenter
Plus en détailFORUM NTIC BIG DATA, OPEN DATA Big Data: les challenges, les défis
FORUM NTIC BIG DATA, OPEN DATA Big Data: les challenges, les défis Joseph Salmon Télécom ParisTech Jeudi 6 Février Joseph Salmon (Télécom ParisTech) Big Data Jeudi 6 Février 1 / 18 Agenda Contexte et opportunités
Plus en détailTRAVAUX DE RECHERCHE DANS LE
TRAVAUX DE RECHERCHE DANS LE DOMAINE DE L'EXPLOITATION DES DONNÉES ET DES DOCUMENTS 1 Journée technologique " Solutions de maintenance prévisionnelle adaptées à la production Josiane Mothe, FREMIT, IRIT
Plus en détailTravailler ensemble : Coopération, Collaboration, Coordination
Travailler ensemble : Coopération, Collaboration, Coordination Emmeric DUPONT Comment travailler dans un environnement de plus en plus irrationnel complexe et contraint? 20 ans de la SCM, Paris, 11-12
Plus en détailEchantillonnage Non uniforme
Echantillonnage Non uniforme Marie CHABERT IRIT/INP-ENSEEIHT/ ENSEEIHT/TéSASA Patrice MICHEL et Bernard LACAZE TéSA 1 Plan Introduction Echantillonnage uniforme Echantillonnage irrégulier Comparaison Cas
Plus en détailLes datas = le fuel du 21ième sicècle
Les datas = le fuel du 21ième sicècle D énormes gisements de création de valeurs http://www.your networkmarketin g.com/facebooktwitter-youtubestats-in-realtime-simulation/ Xavier Dalloz Le Plan Définition
Plus en détailJean-Daniel Fekete Directeur de Recherche, Resp. équipe-projet AVIZ INRIA
La visualisation d information pour comprendre et interagir avec les données Jean-Daniel Fekete Directeur de Recherche, Resp. équipe-projet AVIZ INRIA Jean-Daniel.Fekete@inria.fr, www.aviz.fr, @jdfaviz
Plus en détailDivision Technologies d Information et de Communication, Centre National pour la Recherche Scientifique et Technique (CNRST)
Maroc Division Technologies d Information et de Communication, Centre National pour la Recherche Scientifique et Technique (CNRST) Développement et renforcement de la grille de calcul marocaine «MaGrid»
Plus en détailMABioVis. Bio-informatique et la
MABioVis Modèles et Algorithmes pour la Bio-informatique et la Visualisation Visite ENS Cachan 5 janvier 2011 MABioVis G GUY MELANÇON (PR UFR Maths Info / EPI GRAVITE) (là, maintenant) - MABioVis DAVID
Plus en détailGrandes lignes ASTRÉE. Logiciels critiques. Outils de certification classiques. Inspection manuelle. Definition. Test
Grandes lignes Analyseur Statique de logiciels Temps RÉel Embarqués École Polytechnique École Normale Supérieure Mercredi 18 juillet 2005 1 Présentation d 2 Cadre théorique de l interprétation abstraite
Plus en détailCréation intuitive des éléments d un paysage
Création intuitive des éléments d un paysage Marie-Paule Cani Univ. Grenoble-Alpes, CNRS & Inria Organisation du cours «Façonner l imaginaire» Partie 1 : Création numérique 3D Modélisation géométrique
Plus en détailTenu les 21 et 22 mai 2008 à l Observatoire de la Côte d Azur. compte-rendu du séminaire "Enseignement et SPU" des 21 et 22 mai derniers
Tenu les 21 et 22 mai 2008 à l Observatoire de la Côte d Azur 1 Le séminaire a réuni entre 30 et 35 participants pendant les deux jours Il s est déroulé à peu près suivant le programme prévu 2 1 ère matinée
Plus en détailCommunauté d Universités et Établissements. Stratégie Territoriale et Initiative d Excellence. Université Côte d Azur (UCA) - page 1
Communauté d Universités et Établissements Stratégie Territoriale et Initiative d Excellence Université Côte d Azur (UCA) - page 1 En 2015 le paysage français de l Enseignement supérieur et de la Recherche
Plus en détailAnticiper et prédire les sinistres avec une approche Big Data
Anticiper et prédire les sinistres avec une approche Big Data Julien Cabot Directeur Big Data Analytics OCTO jcabot@octo.com @julien_cabot OCTO 2013 50, avenue des Champs-Elysées 75008 Paris - FRANCE Tél
Plus en détailLes défis statistiques du Big Data
Les défis statistiques du Big Data Anne-Sophie Charest Professeure adjointe au département de mathématiques et statistique, Université Laval 29 avril 2014 Colloque ITIS - Big Data et Open Data au cœur
Plus en détailFigure 3.1- Lancement du Gambit
3.1. Introduction Le logiciel Gambit est un mailleur 2D/3D; pré-processeur qui permet de mailler des domaines de géométrie d un problème de CFD (Computational Fluid Dynamics).Il génère des fichiers*.msh
Plus en détailMaster Informatique Aix-Marseille Université
Aix-Marseille Université http://masterinfo.univ-mrs.fr/ Département Informatique et Interactions UFR Sciences Laboratoire d Informatique Fondamentale Laboratoire des Sciences de l Information et des Systèmes
Plus en détailBIG DATA : GESTION ET ANALYSE DES DONNÉES MASSIVES (BGD) Mastère Spécialisé. Appréhendez les challenges économiques et juridiques du Big Data
Mastère Spécialisé BIG DATA : GESTION ET ANALYSE DES DONNÉES MASSIVES (BGD) Rejoignez le secteur le plus stratégique de l économie numérique Appréhendez les challenges économiques et juridiques du Mesurez
Plus en détailVotre quotidien à Blanche
Votre quotidien à Blanche Les locaux de la CPGE (Bat B et CDI) vous sont accessibles tous les soirs jusqu à 20h, et le vendredi jusqu à 18h Vincent Frotier est présent au CDI de 15h à 20h pour vous encadrer
Plus en détailL initiative COMODO. Compte rendu de la réunion d Autrans, Réunion COMODO MARMO, 29-31 mars 2010
L initiative COMODO Compte rendu de la réunion d Autrans, Réunion COMODO MARMO, 29-31 mars 2010 Les participants HYCOM MARS NEMO ROMS SYMPHONIE T-UGOm MERCATOR Autres Y. Morel F. Dumas, V. Garnier, S.
Plus en détailApprentissage symbolique et statistique à l ère du mariage pour tous
Apprentissage symbolique et statistique à l ère du mariage pour tous Stéphane Canu asi.insa-rouen.fr/enseignants/~scanu RFIA 2014, INSA Rouen 2 juillet 2014 Apprentissage : humain vs. machine Les apprentissages
Plus en détailProspective: Champ de gravité, méthodes spatiales
Prospective: Champ de gravité, méthodes spatiales Richard Biancale Conseil Scientifique du GRGS Observatoire de Paris, 10 avril 2008 L état de l art des modèles CHAMP: modèles 50 fois moins précis que
Plus en détailAnticiper pour avoir une innovation d'avance : le leitmotiv de Pierre Jouniaux, entrepreneur du big data!
Anticiper pour avoir une innovation d'avance : le leitmotiv de Pierre Jouniaux, entrepreneur du big data! Pierre Jouniaux http://www.safety line.fr CV : Pierre Jouniaux, ingénieur aéronautique, pilote
Plus en détailEnjeux mathématiques et Statistiques du Big Data
Enjeux mathématiques et Statistiques du Big Data Mathilde Mougeot LPMA/Université Paris Diderot, mathilde.mougeot@univ-paris-diderot.fr Mathématique en Mouvements, Paris, IHP, 6 Juin 2015 M. Mougeot (Paris
Plus en détailServir ses utilisateurs sans bureau d accueil physique
Servir ses utilisateurs sans bureau d accueil physique Retour d expérience au Service IST d Inria Grenoble-Rhône-Alpes Gaëlle Rivérieux 2 juillet 2013 Introduction Quelques mots sur Inria Le service IST
Plus en détailCoup de Projecteur sur les Réseaux de Neurones
Coup de Projecteur sur les Réseaux de Neurones Les réseaux de neurones peuvent être utilisés pour des problèmes de prévision ou de classification. La représentation la plus populaire est le réseau multicouche
Plus en détailRecherche De Coalescences Binaires Étalonnage Du Détecteur
Recherche De Coalescences Binaires Étalonnage Du Détecteur Fabrice Beauville Journées Jeunes Chercheurs 18/12/2003 Les Coalescences Binaires & VIRGO Système binaire d objets compacts (étoiles à neutrons,
Plus en détailRenforcement des trois compétences : compréhension orale, expression orale et expression écrite à partir de documents et vidéos.
Master Mathématiques et Applications Spécialité : Ingénierie mathématique et modélisation Parcours : Mathématique et Informatique : Statistique, Signal, Santé (MI3S) 2015-2016 RÉSUMÉ DES COURS : (dernière
Plus en détailMonitoring continu et gestion optimale des performances énergétiques des bâtiments
Monitoring continu et gestion optimale des performances énergétiques des bâtiments Alexandre Nassiopoulos et al. Journée d inauguration de Sense-City, 23/03/2015 Croissance de la demande énergétique et
Plus en détailMedia planning TV et optimisation : du statique au (très) dynamique
Media planning TV et optimisation : du statique au (très) dynamique Thierry Benoist Frédéric Gardi www.innovation24.fr 1/18 Qui sommes-nous? Groupe industriel diversifié présent dans la construction, les
Plus en détail#BigData Dossier de presse Mai 2014
#BigData Dossier de presse Mai 2014 La valeur du Big Data pour l entreprise Comment permettre l avènement d une culture de la donnée pour tous? Dans un monde porté par la mobilité et le Cloud, non seulement
Plus en détailLaboratoire d Informatique, de Traitement de l Information et des Systèmes EA 4108. 3 établissements T. Paquet D. Olivier T. Lecroq A.
Laboratoire d Informatique, de Traitement de l Information et des Systèmes EA 4108 3 établissements T. Paquet D. Olivier T. Lecroq A. Benshrair 7 équipes Disciplines 27-61, 25-26-43-64 L. Heutte DocApp
Plus en détailBILAN du projet PEPS 1 EOLIN (Eolien LMI INSA)
BILAN du projet PEPS 1 EOLIN (Eolien LMI INSA) Lab. de Math de l INSA de ROUEN FR CNRS 3335 et EA 3226 PLAN 1. Introduction 2. Bilan scientifique 3. Bilan financier 4. Conclusion 1 Introduction Le projet
Plus en détailNe cherchez plus, soyez informés! Robert van Kommer
Ne cherchez plus, soyez informés! Robert van Kommer Le sommaire La présentation du contexte applicatif Le mariage: Big Data et apprentissage automatique Dialogues - interactions - apprentissages 2 Le contexte
Plus en détailSouad EL Bernoussi. Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/
Recherche opérationnelle Les démonstrations et les exemples seront traités en cours Souad EL Bernoussi Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/ Table des matières 1 Programmation
Plus en détailCurriculum Vitæ. Tél: +33 1 69 15 67 31 E-mail: Page web: http://www.math.u-psud.fr/~arlot/ Né le 2 mars 1983 Nationalité Française
Curriculum Vitæ Sylvain Arlot Département de Mathématiques d'orsay Bâtiment 425 Faculté des Sciences d'orsay Université Paris-Sud 91405 ORSAY Cedex France Tél: +33 1 69 15 67 31 E-mail: Page web: http://www.math.u-psud.fr/~arlot/
Plus en détailFinance, Navier-Stokes, et la calibration
Finance, Navier-Stokes, et la calibration non linéarités en finance 1 1 www.crimere.com/blog Avril 2013 Lignes directrices Non-linéarités en Finance 1 Non-linéarités en Finance Les équations de Fokker-Planck
Plus en détailCarrotAge, un logiciel pour la fouille de données agricoles
CarrotAge, un logiciel pour la fouille de données agricoles F. Le Ber (engees & loria) J.-F. Mari (loria) M. Benoît, C. Mignolet et C. Schott (inra sad) Conférence STIC et Environnement, Rouen, 19-20 juin
Plus en détailCommunications immersives : Enjeux et perspectives
Journée Futur et Ruptures Communications immersives : Enjeux et perspectives Béatrice Pesquet-Popescu Télécom ParisTech, Département TSI 5 mars 2015 Institut Mines-Télécom Tendances actuelles Plus, plus,
Plus en détailAlgorithmes de Transmission et de Recherche de l Information dans les Réseaux de Communication. Philippe Robert INRIA Paris-Rocquencourt
Algorithmes de Transmission et de Recherche de l Information dans les Réseaux de Communication Philippe Robert INRIA Paris-Rocquencourt Le 2 juin 2010 Présentation Directeur de recherche à l INRIA Institut
Plus en détailVers une convergence. Plateforme en ligne Mathrice
Vers une convergence de la Plateforme en ligne Mathrice et du Portail documentaire mathématique? Thierry Bouche Cellule MathDoc Université Joseph-Fourier Journées MATHRICE Dijon, jeudi 17 mars 2011 Cellule
Plus en détailCurriculum Vitae. Informations générales
Sandy CAMPART Maître de conférences de sciences économiques Membre permanent du CREM (UMR CNRS 6211) Directeur délégué à la formation continue de l IUP Banque Assurance de Caen Responsable de la licence
Plus en détailPROSPECTER PAR LES RESEAUX SOCIAUX : du VIRTUEL au REEL & inversement
1 Pré-requis Cette formation est accessible à tous, quel que soit le niveau de maitrise des réseaux sociaux. Inter-entreprises à Aix-en-Provence PROSPECTER PAR LES RESEAUX SOCIAUX : du VIRTUEL au REEL
Plus en détailChairE Systèmes Embarqués Critiques (CESEC)
Document de travail 1 DT-CESEC-2012/1 (diffusion interne à la Chaire) ChairE Systèmes Embarqués Critiques (CESEC) Chaire d enseignement et de dissémination ISAE INSAT ENSEEIHT en association avec la Fondation
Plus en détail3A-IIC - Parallélisme & Grid GRID : Définitions. GRID : Définitions. Stéphane Vialle. Stephane.Vialle@supelec.fr http://www.metz.supelec.
3A-IIC - Parallélisme & Grid Stéphane Vialle Stephane.Vialle@supelec.fr http://www.metz.supelec.fr/~vialle Principes et Objectifs Evolution Leçons du passé Composition d une Grille Exemple d utilisation
Plus en détailNOTICE DOUBLE DIPLÔME
NOTICE DOUBLE DIPLÔME MINES ParisTech / HEC MINES ParisTech/ AgroParisTech Diplômes obtenus : Diplôme d ingénieur de l Ecole des Mines de Paris Diplôme de HEC Paris Ou Diplôme d ingénieur de l Ecole des
Plus en détailMéthodes d apprentissage statistique «Machine Learning»
Méthodes d apprentissage statistique «Machine Learning» Fabrice TAILLIEU, Sébastien DELUCINGE, Rémi BELLINA Le marché de l assurance a rarement été marqué par un environnement aussi difficile qu au cours
Plus en détailGENIE STATISTIQUE GESTION DES RISQUES ET INGENIERIE FINANCIERE MARKETING QUANTITATIF ET REVENUE MANAGEMENT
Remarque : Tous les cours sont en français, sauf contre-indication. Pour des traductions anglaises des titres, des descriptifs, et plus de renseignements, consultez l intégralité du Programme des enseignements
Plus en détailBIG Data et R: opportunités et perspectives
BIG Data et R: opportunités et perspectives Guati Rizlane 1 & Hicham Hajji 2 1 Ecole Nationale de Commerce et de Gestion de Casablanca, Maroc, rguati@gmail.com 2 Ecole des Sciences Géomatiques, IAV Rabat,
Plus en détailFiltrage stochastique non linéaire par la théorie de représentation des martingales
Filtrage stochastique non linéaire par la théorie de représentation des martingales Adriana Climescu-Haulica Laboratoire de Modélisation et Calcul Institut d Informatique et Mathématiques Appliquées de
Plus en détailModélisation du comportement habituel de la personne en smarthome
Modélisation du comportement habituel de la personne en smarthome Arnaud Paris, Selma Arbaoui, Nathalie Cislo, Adnen El-Amraoui, Nacim Ramdani Université d Orléans, INSA-CVL, Laboratoire PRISME 26 mai
Plus en détailK. Ammar, F. Bachoc, JM. Martinez. Séminaire ARISTOTE - 23 octobre 2014 - Palaiseau
Apport des modèles de krigeage à la simulation numérique K Ammar, F Bachoc, JM Martinez CEA-Saclay, DEN, DM2S, F-91191 Gif-sur-Yvette, France Séminaire ARISTOTE - 23 octobre 2014 - Palaiseau Apport des
Plus en détailBig data et sciences du Vivant L'exemple du séquençage haut débit
Big data et sciences du Vivant L'exemple du séquençage haut débit C. Gaspin, C. Hoede, C. Klopp, D. Laborie, J. Mariette, C. Noirot, MS. Trotard bioinfo@genopole.toulouse.inra.fr INRA - MIAT - Plate-forme
Plus en détailProjet Xdata. Cinequant, Data Publica, EDF, ESRI, Hurence, INRIA, Institut Mines Telecom, La Poste, Orange, Veolia
Projet Xdata Cinequant, Data Publica, EDF, ESRI, Hurence, INRIA, Institut Mines Telecom, La Poste, Orange, Veolia Mutualisation des données XData = Cross Data En croisant des données d origine diverses,
Plus en détailL Institut National des Sciences Mathématique et de leurs. Premiers éléments d un bilan à deux ans.
L Institut National des Sciences Mathématique et de leurs Interactions (INSMI) : Premiers éléments d un bilan à deux ans. 1. Mise en place de l INSMI Au CNRS, l année 2009 a été une année de transition
Plus en détailUNIVERSITE DES ANTILLES et DE LA GUYANE Campus de Fouillole BP250-97157 Pointe-à-Pitre Cedex CONTRAT 2010-2013 LE MASTER NOM DU DOMAINE STS
UNIVERSITE DES ANTILLES et DE LA GUYANE Campus de Fouillole BP20-9717 Pointe-à-Pitre Cedex CONTRAT 2010-201 LE MASTER NOM DU DOMAINE STS Mention : Mathématiques Implantation : Guadeloupe FICHES DESCRIPTIVES
Plus en détailMasses de données et calcul : à l IRIT. 8 octobre 2013
Masses de données et calcul : la recherche en lien avec les Big Data à l IRIT 8 octobre 2013 08/10/2013 1 L IRIT en qq chiffres 700 personnes sur tous les sites toulousains 5 tutelles 7 thèmes et 21 équipes
Plus en détailLa programmation linéaire : une introduction. Qu est-ce qu un programme linéaire? Terminologie. Écriture mathématique
La programmation linéaire : une introduction Qu est-ce qu un programme linéaire? Qu est-ce qu un programme linéaire? Exemples : allocation de ressources problème de recouvrement Hypothèses de la programmation
Plus en détailRésolution de systèmes linéaires par des méthodes directes
Résolution de systèmes linéaires par des méthodes directes J. Erhel Janvier 2014 1 Inverse d une matrice carrée et systèmes linéaires Ce paragraphe a pour objet les matrices carrées et les systèmes linéaires.
Plus en détailRecherche et Diffusion de l Information dans les Réseaux. Philippe Robert. Le 8 avril 2014
Recherche et Diffusion de l Information dans les Réseaux Philippe Robert Le 8 avril 2014 Présentation Présentation Directeur de recherche à l INRIA Responsable de l équipe de recherche Réseaux, Algorithmes
Plus en détailCharles BOUVEYRON. Docteur en Mathématiques appliquées Maître de Conférences (section CNU 26) Université Paris 1 Panthéon-Sorbonne
Charles BOUVEYRON Docteur en Mathématiques appliquées Maître de Conférences (section CNU 26) Université Paris 1 Panthéon-Sorbonne Contacts Né le 12/01/1979 Nationalité française E-mail : charles.bouveyron@univ-paris1.fr
Plus en détailSujet 1 : Diagnostique du Syndrome de l apnée du sommeil par des techniques d analyse discriminante.
Sujet 1 : Diagnostique du Syndrome de l apnée du sommeil par des techniques d analyse discriminante. Objectifs et formulation du sujet Le syndrome de l apnée du sommeil (SAS) est un problème de santé publique
Plus en détailCompte-rendu Réunion générale. Grenoble, le 29 juin 2011 URBASIS
URBASIS Sismologie urbaine : évaluation de la vulnérabilité et des dommages sismiques par méthodes innovantes ANR09RISK009 URBASIS Compterendu Réunion générale Grenoble, le 29 juin 2011 Participants: J.
Plus en détailT. Gasc 1,2,3, F. De Vuyst 1, R. Motte 3, M. Peybernes 4, R. Poncet 5
Modélisation de la performance et optimisation d un algorithme hydrodynamique de type Lagrange-Projection sur processeurs multi-cœurs T. Gasc 1,2,3, F. De Vuyst 1, R. Motte 3, M. Peybernes 4, R. Poncet
Plus en détailÉdIteur officiel et fournisseur de ServIceS professionnels du LogIcIeL open Source ScILab
ÉdIteur officiel et fournisseur de ServIceS professionnels du LogIcIeL open Source ScILab notre compétence d'éditeur à votre service créée en juin 2010, Scilab enterprises propose services et support autour
Plus en détailBig Graph Data Forum Teratec 2013
Big Graph Data Forum Teratec 2013 MFG Labs 35 rue de Châteaudun 75009 Paris, France www.mfglabs.com twitter: @mfg_labs Julien Laugel MFG Labs julien.laugel@mfglabs.com @roolio SOMMAIRE MFG Labs Contexte
Plus en détailDétection des deux roues motorisés par télémétrie laser à balayage
MEsure du TRAfic des deux-roues MOTOrisés pour la sécurité et l évaluation des risques Détection des deux roues motorisés par télémétrie laser à balayage Séminaire de mi parcours 11 mai 2012 CETE Normandie
Plus en détailAnalytics & Big Data. Focus techniques & nouvelles perspectives pour les actuaires. Université d Eté de l Institut des Actuaires Mardi 8 juillet 2014
Analytics & Big Data Focus techniques & nouvelles perspectives pour les actuaires Local Optimization European Minded Université d Eté de l Institut des Actuaires Mardi 8 juillet 2014 Intervenants : Alexandre
Plus en détailLa Chaire Accenture Strategic Business Analytics de l ESSEC
La Chaire Accenture Strategic Business Analytics de l ESSEC La création de nouvelles opportunités par l analyse des données Dans le monde numérique actuel, l analyse des données est au cœur des réseaux
Plus en détail1. Situation actuelle... p. 1
Curriculum Vitae - page 1 / 7 Curriculum Vitae 1. Situation actuelle... p. 1 2. Formation et titres universitaires français... p. 2 Thèse de doctorat de l'institut National Polytechnique de Grenoble (INPG)...
Plus en détailVoie SIS (2A M1) Signal, Informatique 05/06/2014
Voie SIS (2A M1) Signal, Informatique et Systèmes 05/06/2014 1ère des 2 années du cycle «smart system» système capable de : recevoir des données, des requêtes percevoir son propre état et/ou son environnement
Plus en détailObject Removal by Exemplar-Based Inpainting
Object Removal by Exemplar-Based Inpainting Kévin Polisano A partir d un article de A. Criminisi, P. Pérez & H. K. Toyama 14/02/2013 Kévin Polisano Object Removal by Exemplar-Based Inpainting 14/02/2013
Plus en détailRelation entre deux variables : estimation de la corrélation linéaire
CHAPITRE 3 Relation entre deux variables : estimation de la corrélation linéaire Parmi les analyses statistiques descriptives, l une d entre elles est particulièrement utilisée pour mettre en évidence
Plus en détailMAÎTRISE ÈS SCIENCES EN GESTION. MICROPROGRAMMES Exploitation de données en intelligence d affaires Analytique d affaires - Énergie 2014 ANNUAIRE
MAÎTRISE ÈS SCIENCES EN GESTION MICROPROGRAMMES Exploitation de données en intelligence d affaires Analytique d affaires - Énergie 2014 2015 ANNUAIRE Dépôt légal IMPORTANT En complément de cet annuaire,
Plus en détailCQP Développeur Nouvelles Technologies (DNT)
ORGANISME REFERENCE STAGE : 26572 20 rue de l Arcade 75 008 PARIS CONTACT Couverture géographique : M. Frédéric DIOLEZ Bordeaux, Rouen, Lyon, Toulouse, Marseille Tél. : 09 88 66 17 40 Nantes, Lille, Strasbourg,
Plus en détailNote de cadrage. Projet Web UMS
Note de cadrage Projet Web UMS 05/10/2009 Introduction Ce document a pour objectif de définir la note de cadrage du projet Web de l'ums MI2S. 1. Contexte L'UMS MI2S est constituée de deux services, Moyens
Plus en détail