Infos et données des Ateliers Machine Learning Brest
Switch branches/tags
Nothing to show
Clone or download
Fetching latest commit…
Cannot retrieve the latest commit at this time.
Permalink
Type Name Latest commit message Commit time
Failed to load latest commit information.
2018-10-10_CNN_Whales
2018-10-24_LSTM-CNN_GoogleAudioSet
2018-11-14_LSTM_legifrance
2018-11-28_Outils_deep_learning
Extra
README.md

README.md

Ateliers Machine Learning Brest (ALLOHa)

Lien Github: https://github.com/amlb/amlb.github.io

Description de l'évènement

L'atelier machine learning se déroule au PNBI un mercredi sur deux (sauf vacances) de 10h30 à 12h. Il s'agit d'une recontre de co-apprentissage impulsée par un animateur. Ce dernier aborde une question concrète avec une méthode de machine learning sur un dataset formatté (et de préférence benchmarké). Les présentations s'articulent surtout autour de Jupyter Notebook et de méthodes de deep learning. Le speaker présente la théorie de la méthode choisie ainsi qu'une implementation concrète sur sa question.

C'est avant tout un moment d'échanges conviviaux et d'apprentissage collaboratif. L'animateur présente ses recherches et tests. Cependant plus qu'une simple transmission de connaissances, ce sont les questions et échanges des participants qui font l'intérêt de cet atelier.

Que vous soyez un simple novice curieux ou un expert de machine learning, tous sont bienvenus à l'atelier. Vous pouvez vous inscrire depuis la page suivante: http://www.campus-mondial-de-la-mer.fr/Center-for-ocean-innovation-and-sustainability-3043-0-0-0.html#Atelier%20Machine%20Learning.

Si vous souhaitez participer en tant qu'animateur ou juste obtenir plus d'informations vous pouvez contacter Anouck Hubert (anouck.hubert[AT]tech-brest-iroise.fr).

Sessions

12 Décembre 2018 (à venir)

  • Animateur: Arnaud Gaillot
  • Question concrète: Comment prédire la nature des sédiments marins avec le machine learning?
  • Méthode machine learning: Random Forest
  • Dataset formatté et benchmarké: Modèle hydrodynamique, bathymétrie et ses dérivées, réflectivité acoustique, prélèvements sédimentaires (Baie de Somme)

28 Novembre 2018

  • Animateur: Clément Dechesne
  • Question concrète: Comment représenter les données avec des outils deep learning pour mieux appréhender nos problèmes ?
  • Méthode machine learning: Autoencoder & Réseau totalement convolutionels
  • Dataset formatté et benchmarké: MNIST (chiffres écrits à la main) et Base de donnée d'image pour segmentation sémantique

14 Novembre 2018

  • Animateur: Erwan Keribin
  • Question concrète: A quel point les LSTM donnent de meilleurs résultats en génération de text que des Chaînes de Markov ?
  • Méthode machine learning: LSTM
  • Dataset formatté et benchmarké: Corpus issu de la législation française

24 Octobre 2018

  • Animateur: Dorian Cazau
  • Question concrète: Approche multimodale, consistant à apprendre conjointement des features sur la vidéo et le son, améliore t-elle la reconnaissance automatique de scènes acoustiques issues de vidéos youtube ?
  • Méthode machine learning: multimodal deep auto-encoder
  • Dataset formatté et benchmarké: Google Audio Set (https://research.google.com/audioset)

10 Octobre 2018

  • Animateur: Paul Nguyen Hong Duc
  • Question concrète: Approche classique image pour traiter le son, consistant à apprendre des features sur des MFCCs (mel frequency cepstrum coefficients), améliore-t-elle la reconnaissance automatique de scènes acoustiques?
  • Méthode machine learning: CNN 1 couche
  • Dataset formatté et benchmarké: DCLDE 2018 LF (website does not work sabiod.univ-tln.fr/DCLDE)

Liens et autres informations