Atelier partenaires : apprentissage statistique fiable
Atelier réservé aux partenaires de la chaire DSAIDIS (voir ci-dessous).
À l’ère du big data, la disponibilité massive d’informations numérisées pour former des règles prédictives est une opportunité indéniable pour le déploiement à grande échelle de solutions d’apprentissage statistique (machine learning). Cependant, la mauvaise maîtrise du processus d’acquisition des données, à laquelle nous sommes confrontés dans de nombreuses applications, risque de mettre en péril la validité et la capacité de généralisation des règles produites par les algorithmes.
Ce format d’atelier convivial se découpe en trois parties : un tutoriel pour poser les bases du sujet abordé, de courtes présentations de projets récents mettant à profit ces travaux et une troisième partie consacrée aux échanges et aux retours d’expérience des partenaires. Ce format se veut interactif et participatif, pour encourager les échanges entre tous.
Ce troisième atelier partenaires de la chaire DSAIDIS portera sur l’apprentissage statistique fiable. Il sera constitué des interventions de :
Stephan Clémençon, Professeur, LTCI, Télécom Paris, Institut Polytechnique de Paris
Reliable Machine-Learning: on selection bias and robustness issues
Pierre Laforgue, Postdoctorant, Università degli Studi di Milano
Statistical Learning from Biased Training Samples
Robin Vogel, PhD, LTCI, Télécom Paris, Institut Polytechnique de Paris
A Multiclass Classification Approach to Label Ranking
Hamid Jalalzai, PhD, LTCI, Télécom Paris, Institut Polytechnique de Paris
On binary classification in extreme regions
Les inscriptions sont réservées aux entreprises partenaires (Airbus, ENGIE, IDEMIA, Safran et Valeo) et se font sur l’extranet de la chaire. Pour plus d’information sur la chaire, consultez son site web :