Accueil/ expose
Machine learning in scientific workflows
mardi 15 mai 2018

Loading the player...
Descriptif

Conférence de Balázs Kégl (Université Paris Saclay) dans le cadre du Data Science Colloqium, série de conférences de la Chaire CFM-­ENS "Modèles et Sciences des Données".

I will describe our contributions to scientific ML workflow building and optimization, which we have carried out within the Paris-Saclay Center for Data Science. I will start by mapping out the different use cases of machine learning in sciences (data collection, inference, simulation, hypothesis generation). Then I will detail some of the particular challenges of ML/science collaborations and the solutions we built to solve these challenges. I will briefly describe the open code submission RAMP tool that we built for collaborative prototyping, detail some of the workflows (e.g., the Higgs boson discovery pipeline, El Nino forecasting, detecting Mars craters on satellite images), and present results on rapidly optimizing machine learning solutions.

 

Voir aussi


  • Aucun exposé du même auteur.
  • Can Big Data cure Cancer?
    Jean-Philippe Vert
  • What physics can tell us about inferenc...
    Cristopher Moore
  • Beyond stochastic gradient descent for l...
    Francis Bach
  • The brain as an optimal efficient adapti...
    Sophie Deneve
  • Cosmostatistics: Tackling Big Data from ...
    Jean-Luc Starck
  • Searching for interaction networks in pr...
    Rémi Monasson
  • Brain-computer interfaces: two concurren...
    Maureen Clerc
  • Learning Graph Inverse Problems with Neu...
    Joan Bruna
Auteur(s)
Balàzs Kégl
Université de Paris Saclay
Chercheur

Plus sur cet auteur
Voir la fiche de l'auteur

Cursus :

Balázs Kégl a reçu le Ph.D. Diplômé en informatique de l'Université Concordia à Montréal en 1999. De janvier à décembre 2000, il a été boursier postdoctoral au Département de mathématiques et de statistique de l'Université Queen's à Kingston, au Canada, où il a reçu une bourse postdoctorale du CRSNG. Il a été professeur adjoint au Département d'informatique et de recherche opérationnelle de l'Université de Montréal de 2001 à 2006.

Depuis 2006, il est chercheur au Laboratoire des accélérateurs linéaires du CNRS. Il a publié plus d'une centaine d'articles sur l'apprentissage non supervisé et supervisé (courbes principales, estimation de dimensionnalité intrinsèque, boosting), l'inférence et l'optimisation bayésiennes à grande échelle et diverses applications allant du traitement de la musique et de l'image à la biologie des systèmes et à la physique expérimentale. À son poste actuel, il a dirigé l'équipe AppStat travaillant sur l'apprentissage automatique et les problèmes d'inférence statistique motivés par les applications de la physique des particules et des astroparticules à haute énergie.

Depuis 2014, il dirige le Centre de Data Science de l'Université de Paris Saclay. En 2016, il est co-créé le RAMP.

Cliquer ICI pour fermer
Annexes
Téléchargements :
   - Télécharger la vidéo

Dernière mise à jour : 13/06/2018