BEGIN:VCALENDAR
VERSION:2.0
PRODID:-//Lyon Data Science – Communauté data & IA à Lyon - ECPv6.16.5//NONSGML v1.0//EN
CALSCALE:GREGORIAN
METHOD:PUBLISH
X-ORIGINAL-URL:https://lyondatascience.org
X-WR-CALDESC:Évènements pour Lyon Data Science – Communauté data & IA à Lyon
REFRESH-INTERVAL;VALUE=DURATION:PT1H
X-Robots-Tag:noindex
X-PUBLISHED-TTL:PT1H
BEGIN:VTIMEZONE
TZID:Europe/Paris
BEGIN:DAYLIGHT
TZOFFSETFROM:+0100
TZOFFSETTO:+0200
TZNAME:CEST
DTSTART:20170326T010000
END:DAYLIGHT
BEGIN:STANDARD
TZOFFSETFROM:+0200
TZOFFSETTO:+0100
TZNAME:CET
DTSTART:20171029T010000
END:STANDARD
BEGIN:DAYLIGHT
TZOFFSETFROM:+0100
TZOFFSETTO:+0200
TZNAME:CEST
DTSTART:20180325T010000
END:DAYLIGHT
BEGIN:STANDARD
TZOFFSETFROM:+0200
TZOFFSETTO:+0100
TZNAME:CET
DTSTART:20181028T010000
END:STANDARD
BEGIN:DAYLIGHT
TZOFFSETFROM:+0100
TZOFFSETTO:+0200
TZNAME:CEST
DTSTART:20190331T010000
END:DAYLIGHT
BEGIN:STANDARD
TZOFFSETFROM:+0200
TZOFFSETTO:+0100
TZNAME:CET
DTSTART:20191027T010000
END:STANDARD
BEGIN:DAYLIGHT
TZOFFSETFROM:+0100
TZOFFSETTO:+0200
TZNAME:CEST
DTSTART:20200329T010000
END:DAYLIGHT
BEGIN:STANDARD
TZOFFSETFROM:+0200
TZOFFSETTO:+0100
TZNAME:CET
DTSTART:20201025T010000
END:STANDARD
BEGIN:DAYLIGHT
TZOFFSETFROM:+0100
TZOFFSETTO:+0200
TZNAME:CEST
DTSTART:20210328T010000
END:DAYLIGHT
BEGIN:STANDARD
TZOFFSETFROM:+0200
TZOFFSETTO:+0100
TZNAME:CET
DTSTART:20211031T010000
END:STANDARD
BEGIN:DAYLIGHT
TZOFFSETFROM:+0100
TZOFFSETTO:+0200
TZNAME:CEST
DTSTART:20220327T010000
END:DAYLIGHT
BEGIN:STANDARD
TZOFFSETFROM:+0200
TZOFFSETTO:+0100
TZNAME:CET
DTSTART:20221030T010000
END:STANDARD
BEGIN:DAYLIGHT
TZOFFSETFROM:+0100
TZOFFSETTO:+0200
TZNAME:CEST
DTSTART:20230326T010000
END:DAYLIGHT
BEGIN:STANDARD
TZOFFSETFROM:+0200
TZOFFSETTO:+0100
TZNAME:CET
DTSTART:20231029T010000
END:STANDARD
END:VTIMEZONE
BEGIN:VEVENT
DTSTART;TZID=Europe/Paris:20220125T183000
DTEND;TZID=Europe/Paris:20220125T200000
DTSTAMP:20251005T165402Z
CREATED:20251005T153502Z
LAST-MODIFIED:20251005T165402Z
UID:1105-1643135400-1643140800@lyondatascience.org
SUMMARY:Data Club
DESCRIPTION:Cet évènement du Club Data est l’occasion de se rencontrer et d’échanger sur nos projets actuels. Chaque participant peut présenter brièvement ce sur quoi il a travaillé récemment\, les difficultés qu’il a rencontrées\, et éventuellement demander conseil au reste du groupe.
URL:https://lyondatascience.org/evenements/data-club-69/
CATEGORIES:Meetup
END:VEVENT
BEGIN:VEVENT
DTSTART;TZID=Europe/Paris:20220111T183000
DTEND;TZID=Europe/Paris:20220111T200000
DTSTAMP:20251005T165401Z
CREATED:20251005T153501Z
LAST-MODIFIED:20251005T165401Z
UID:1104-1641925800-1641931200@lyondatascience.org
SUMMARY:Data Club
DESCRIPTION:Cet évènement du Club Data est l’occasion de se rencontrer et d’échanger sur nos projets actuels. Chaque participant peut présenter brièvement ce sur quoi il a travaillé récemment\, les difficultés qu’il a rencontrées\, et éventuellement demander conseil au reste du groupe.
URL:https://lyondatascience.org/evenements/data-club-68/
CATEGORIES:Meetup
END:VEVENT
BEGIN:VEVENT
DTSTART;TZID=Europe/Paris:20211214T183000
DTEND;TZID=Europe/Paris:20211214T200000
DTSTAMP:20251005T165401Z
CREATED:20251005T153501Z
LAST-MODIFIED:20251005T165401Z
UID:1103-1639506600-1639512000@lyondatascience.org
SUMMARY:Data Club
DESCRIPTION:Cet évènement du Club Data est l’occasion de se rencontrer et d’échanger sur nos projets actuels. Chaque participant peut présenter brièvement ce sur quoi il a travaillé récemment\, les difficultés qu’il a rencontrées\, et éventuellement demander conseil au reste du groupe.
URL:https://lyondatascience.org/evenements/data-club-67/
CATEGORIES:Meetup
END:VEVENT
BEGIN:VEVENT
DTSTART;TZID=Europe/Paris:20211130T183000
DTEND;TZID=Europe/Paris:20211130T200000
DTSTAMP:20251005T165401Z
CREATED:20251005T153500Z
LAST-MODIFIED:20251005T165401Z
UID:1102-1638297000-1638302400@lyondatascience.org
SUMMARY:Data Club
DESCRIPTION:Cet évènement du Club Data est l’occasion de se rencontrer et d’échanger sur nos projets actuels. Chaque participant peut présenter brièvement ce sur quoi il a travaillé récemment\, les difficultés qu’il a rencontrées\, et éventuellement demander conseil au reste du groupe.
URL:https://lyondatascience.org/evenements/data-club-66/
CATEGORIES:Meetup
END:VEVENT
BEGIN:VEVENT
DTSTART;TZID=Europe/Paris:20211122T190000
DTEND;TZID=Europe/Paris:20211122T200000
DTSTAMP:20251005T155128Z
CREATED:20251005T155128Z
LAST-MODIFIED:20251005T155128Z
UID:1490-1637607600-1637611200@lyondatascience.org
SUMMARY:Rendre les réseaux convolutifs à nouveau invariants à la translation
DESCRIPTION:Présentateur : Quentin Barthelemy\nL’événement sera hybride : présentiel et en streaming. Inscrivez-vous si vous désirez être présent physiquement. \nCet exposé propose l’étude d’un article intitulé Making Convolutional Networks Shift-Invariant Again et publié à ICML2019 par Richard Zhang (Adobe Research). Ce titre est provocateur car il laisse penser que\, avant cette publication\, les réseaux convolutifs n’étaient plus vraiment invariants à la translation. \nLa première partie de la présentation aura pour objectif de reprendre rapidement quelques élément de base du traitement du signal\, à savoir la transformée de Fourier\, la théorie du filtrage et la théorie de l’échantillonnage (théorème de Shannon et filtre anti-repliement). \nLa deuxième partie sera une lecture guidée de l’article : les éléments de traitement du signal permettront de comprendre les défauts méthodologiques mis en lumière par l’auteur\, ainsi que leurs implications sur une architecture neuronale convolutive. Les résultats et les applications seront analysés et suivis d’une discussion critique. \nRessources\nPage et vidéo de présentation du papier : Making Convolutional Networks Shift-Invariant Again\nhttps://richzhang.github.io/antialiased-cnns/ \nThéorème d’échantillonnage\nhttps://fr.wikipedia.org/wiki/Th%C3%A9or%C3%A8me_d%27%C3%A9chantillonnage \nShannon Nyquist Sampling Theorem – Vidéo
URL:https://lyondatascience.org/evenements/rendre-les-reseaux-convolutifs-a-nouveau-invariants-a-la-translation-2/
CATEGORIES:Meetup
END:VEVENT
BEGIN:VEVENT
DTSTART;TZID=Europe/Paris:20211116T183000
DTEND;TZID=Europe/Paris:20211116T200000
DTSTAMP:20251005T165401Z
CREATED:20251005T153500Z
LAST-MODIFIED:20251005T165401Z
UID:1101-1637087400-1637092800@lyondatascience.org
SUMMARY:Data Club
DESCRIPTION:Cet évènement du Club Data est l’occasion de se rencontrer et d’échanger sur nos projets actuels. Chaque participant peut présenter brièvement ce sur quoi il a travaillé récemment\, les difficultés qu’il a rencontrées\, et éventuellement demander conseil au reste du groupe.
URL:https://lyondatascience.org/evenements/data-club-65/
CATEGORIES:Meetup
END:VEVENT
BEGIN:VEVENT
DTSTART;TZID=Europe/Paris:20211102T183000
DTEND;TZID=Europe/Paris:20211102T200000
DTSTAMP:20251005T165401Z
CREATED:20251005T153500Z
LAST-MODIFIED:20251005T165401Z
UID:1100-1635877800-1635883200@lyondatascience.org
SUMMARY:Data Club
DESCRIPTION:Cet évènement du Club Data est l’occasion de se rencontrer et d’échanger sur nos projets actuels. Chaque participant peut présenter brièvement ce sur quoi il a travaillé récemment\, les difficultés qu’il a rencontrées\, et éventuellement demander conseil au reste du groupe.
URL:https://lyondatascience.org/evenements/data-club-64/
CATEGORIES:Meetup
END:VEVENT
BEGIN:VEVENT
DTSTART;TZID=Europe/Paris:20210929T190000
DTEND;TZID=Europe/Paris:20210929T200000
DTSTAMP:20251005T155125Z
CREATED:20251005T155125Z
LAST-MODIFIED:20251005T155125Z
UID:1489-1632942000-1632945600@lyondatascience.org
SUMMARY:Deep Learning embarqué
DESCRIPTION:Véhicules autonomes\, smart cities\, robotique… L’IA s’invite dans les objets pour les rendre intelligents.\nAvec son Edge TPU Coral\, Google à développé une puce optimisée pour l’IA qui permet d’exécuter des modèles de deep Learning avec une consommation d’énergie faible et des performances élevées. \nNous allons voir comment utiliser ce hardware avec Tensorflow pour faire de la détection d’objets en temps-reel. Nous allons également voir quelles sont les limites de ce type de projets et comment les dépasser. \nLéo Bourrel\, free-lance data scientist spécialisé en NLP et Computer Vision. https://www.leobourrel.fr/
URL:https://lyondatascience.org/evenements/deep-learning-embarque-2/
CATEGORIES:Meetup
END:VEVENT
BEGIN:VEVENT
DTSTART;TZID=Europe/Paris:20210629T190000
DTEND;TZID=Europe/Paris:20210629T200000
DTSTAMP:20251005T155125Z
CREATED:20251005T155125Z
LAST-MODIFIED:20251005T155125Z
UID:1488-1624993200-1624996800@lyondatascience.org
SUMMARY:Enjeux de l'Intelligence Artificielle
DESCRIPTION:Pour ce dernier MeetUp de la saison\, nous vous proposons une présentation moins technique pour aborder des enjeux sociétaux\, éthiques et environnementaux des technologies liées à l’intelligence artificielle.\nSans être totalement exhaustif\, nous illustrons nos propos par des retours d’expériences\, afin d’apporter des connaissances qui nous semblent pertinentes pour tout futur spécialiste de cette branche de l’informatique. \nOrateur : Jérémy Espinas (membre de l’association Lyon Data Science et ingénieur R&D au sein de la société Esker)
URL:https://lyondatascience.org/evenements/enjeux-de-lintelligence-artificielle-2/
CATEGORIES:Meetup
END:VEVENT
BEGIN:VEVENT
DTSTART;TZID=Europe/Paris:20210601T190000
DTEND;TZID=Europe/Paris:20210601T200000
DTSTAMP:20251005T155125Z
CREATED:20251005T155125Z
LAST-MODIFIED:20251005T155125Z
UID:1487-1622574000-1622577600@lyondatascience.org
SUMMARY:Efficacité "réelle" d'un test de catégorisation
DESCRIPTION:Que ce soit en Data Science ou en médical (test Covid !)\, un test de catégorisation est livré avec des indicateurs de qualité calculés au moment de l’apprentissage et/ou de la mise au point.La question abordée par cette présentation est la suivante : un objet/individu est soumis au test\, le test prédit « positif » (ou « catégorie C1 »)\, peut-on simplement appliquer les indicateurs de qualité pour en déduire la probabilité que l’objet/individu soit réellement « positif » (ou de « catégorie C1 ») ? \nDominique Maret
URL:https://lyondatascience.org/evenements/efficacite-reelle-dun-test-de-categorisation-2/
CATEGORIES:Meetup
END:VEVENT
BEGIN:VEVENT
DTSTART;TZID=Europe/Paris:20210302T190000
DTEND;TZID=Europe/Paris:20210302T203000
DTSTAMP:20251005T155124Z
CREATED:20251005T155124Z
LAST-MODIFIED:20251005T155124Z
UID:1486-1614711600-1614717000@lyondatascience.org
SUMMARY:ML à l'échelle : Session LiveCoding sur Spark MLlib
DESCRIPTION:A propos du Machine Learning en production\, et si on parlait du passage à l’échelle ?Comment adapter nos algorithmes pour travailler avec une taille arbitraire de données ? \nUne des références du traitement de données à haute volumétrie est Apache Spark. Celui-ci embarque dans ses valises quelque chose qui peut nous intéresser : MLlib. \nPourquoi recourrir à Spark MLlib ? Quand doit-on l’utiliser ? Et surtout comment ?\nAujourd’hui\, retrouvons nous pour une session de programmation en live sur la bibliothèque de machine learning de Spark. \nOrateur : Guillaume Facchini
URL:https://lyondatascience.org/evenements/ml-a-lechelle-session-livecoding-sur-spark-mllib-2/
CATEGORIES:Meetup
END:VEVENT
BEGIN:VEVENT
DTSTART;TZID=Europe/Paris:20210119T190000
DTEND;TZID=Europe/Paris:20210119T200000
DTSTAMP:20251005T155124Z
CREATED:20251005T155124Z
LAST-MODIFIED:20251005T155124Z
UID:1485-1611082800-1611086400@lyondatascience.org
SUMMARY:Machine learning en production
DESCRIPTION:Une fois passée la phase de prototype\, comment va-t-on en production quand on fait du machine learning ?\nComment s’assure-t-on que tout va bien une fois en production ? \nDéploiement\, tests\, monitoring\, etc. Il y a beaucoup de choses à penser. Sur ce long sujet\, je vous propose ici une petite introduction basée sur mes expériences. \nOratrice : Nastasia Saby
URL:https://lyondatascience.org/evenements/machine-learning-en-production-2/
CATEGORIES:Meetup
END:VEVENT
BEGIN:VEVENT
DTSTART;TZID=Europe/Paris:20201203T184500
DTEND;TZID=Europe/Paris:20201203T201500
DTSTAMP:20251005T155121Z
CREATED:20251005T155121Z
LAST-MODIFIED:20251005T155121Z
UID:1484-1607021100-1607026500@lyondatascience.org
SUMMARY:Prédiction de classements de courses sportives à partir d’estimations locales
DESCRIPTION:Le Datawok a eu l’opportunité de travailler sur un projet d’aide à la prise de paris sportifs dont l’objectif était d’identifier les favoris et les outsiders d’une course.Comment ? En prédisant avant chaque course et pour chaque coureur sa probabilité d’arriver à un rang donné.\nPour atteindre cet objectif\, nous avions à notre disposition de nombreuses données concernant les coureurs (âge\, palmarès\, statistiques variées\, …)\, mais aussi sur la course en elle-même (date et heure\, température\, nature de la piste\, …). A l’occasion de ce Meetup\, je vous dévoile la méthode mise au point par l’équipe Datawok pour obtenir des scores égalant ceux d’experts en prise de paris. \nIntervenant: Daoud Chami\, Data Scientist au Datawok\, le pôle Data de Linkvalue.\nL’évènement aura lieu sur la chaine Twitch de LDS.
URL:https://lyondatascience.org/evenements/prediction-de-classements-de-courses-sportives-a-partir-destimations-locales-2/
CATEGORIES:Meetup
END:VEVENT
BEGIN:VEVENT
DTSTART;TZID=Europe/Paris:20201020T184500
DTEND;TZID=Europe/Paris:20201020T201500
DTSTAMP:20251005T155121Z
CREATED:20251005T155121Z
LAST-MODIFIED:20251005T155121Z
UID:1483-1603219500-1603224900@lyondatascience.org
SUMMARY:Les applications du NLP au domaine de l'assurance santé
DESCRIPTION:Ce meet-up sera axé autour d’une problématique d’assurance santé : comment améliorer la connaissance des risques couverts par l’assureur afin de cibler une action de prévention sur la population qui en bénéficiera le plus ? Les prestations santé remboursées par l’assureur santé reflètent partiellement l’historique médical de l’assuré. Ces actes médicaux peuvent être vus comme les mots d’un texte racontant une histoire sur chacun des assurés. Le domaine du text mining peut-il aider dans l’analyse de ces données santé ?\nLes travaux présentés ont pour objectif d’utiliser trois méthodes de réduction de dimension issues du domaine de l’analyse du langage (NMF\, mSDA et Word2Vec) afin de créer des groupes d’actes de soins. Ces derniers peuvent ensuite être utilisés afin de construire une classification non supervisée des assurés par groupe de risque santé\, ce qui facilite le ciblage d’une action de prévention. L’analyse de la stabilité de cette classification sera également évoquée. \nL’evenement aura lieu sur Twitch. \nhttps://www.twitch.tv/lyondatascience
URL:https://lyondatascience.org/evenements/les-applications-du-nlp-au-domaine-de-lassurance-sante-2/
CATEGORIES:Meetup
END:VEVENT
BEGIN:VEVENT
DTSTART;TZID=Europe/Paris:20200720T184500
DTEND;TZID=Europe/Paris:20200720T204500
DTSTAMP:20251005T155120Z
CREATED:20251005T155120Z
LAST-MODIFIED:20251005T155120Z
UID:1482-1595270700-1595277900@lyondatascience.org
SUMMARY:Faut-il faire confiance aux modèles compartimentaux pour l'étude du CoVid?
DESCRIPTION:Ce meet up vise à introduire les modèles compartimentaux\, très utilisés en épidémiologie. L’accent sera mis sur les modèles en eux mêmes plus que sur leurs résultats : comment sont ils construits ? Quels sont leurs spécificités\, avantage et limitations ?\nLa comparaison détaillée de trois modèles épidémiologiques utilisés par des équipes françaises lors de la crise du CoVid servira à illustrer le propos. La démarche de comparaison des modèles adoptés est une démarche généralisable à l’ensemble de la Data Science\, et n’est globalement pas spécifique à l’épidémiologie. \nLa présentation aura globalement pour vocation de s’adresser à tous\, sans forcément de prérequis. Quelques slides nécessiteront un bagage mathématique pour être comprises\, mais elles ne seront pas nécessaires pour comprendre l’intuition des modèles (elles ne seront présentes que pour permettre aux slides d’être exhaustives). \nL’evenement aura lieu sur Twitch. \nhttps://www.twitch.tv/lyondatascience
URL:https://lyondatascience.org/evenements/faut-il-faire-confiance-aux-modeles-compartimentaux-pour-letude-du-covid/
CATEGORIES:Meetup
END:VEVENT
BEGIN:VEVENT
DTSTART;TZID=Europe/Paris:20200429T180000
DTEND;TZID=Europe/Paris:20200429T200000
DTSTAMP:20251005T155120Z
CREATED:20251005T155120Z
LAST-MODIFIED:20251005T155120Z
UID:1481-1588183200-1588190400@lyondatascience.org
SUMMARY:L'Industrialisation des modèles de machine learning via la conteneurisation
DESCRIPTION:Pour la deuxième session sur Twitch\, Lyon Data Science vous propose de s’intéresser à aux sujets de la mise en production et de la conteneurisation en Data Science.\nL’industrialisation des modèles de machine learning est une tâche complexe et nécessite souvent l’intervention de plusieurs équipes (dev\, devops\, architect\, data engineer et data scientist). Ainsi\, nous vous proposons dans cette session un REX sur une mission d’industrialisation du ML ( Python et R ) via la conteneurisation dans la plateforme Openshift. \nNous aborderons les questions suivantes : \n– L’importance de la communication entre les équipes.\n– La conteneurisation et le machine learning.\n– L’intérêt des pipelines de pré-traitements pour la mise en production des modèles.\n– La CI/CD mise en place.\n– Le monitoring des modèles et le train automatique via la conteneurisation. \nStack technique :\nOpenshift\, Kubernetes\, Docker\, Nexus\, Gitlab CI/CD\, Python\, R. \nIntervenant : Seif Eddine\, Data Scientist chez Ippon Technologies.
URL:https://lyondatascience.org/evenements/lindustrialisation-des-modeles-de-machine-learning-via-la-conteneurisation/
CATEGORIES:Meetup
END:VEVENT
BEGIN:VEVENT
DTSTART;TZID=Europe/Paris:20200422T180000
DTEND;TZID=Europe/Paris:20200422T190000
DTSTAMP:20251005T155120Z
CREATED:20251005T155120Z
LAST-MODIFIED:20251005T155120Z
UID:1480-1587578400-1587582000@lyondatascience.org
SUMMARY:Quickly build Data Science web apps with Streamlit
DESCRIPTION:Orateur : Fanilo ANDRIANASOLO\, Worldline\nPré-requis :\n– Une première expérience en Python est un plus\n– Aucune connaissance web requise \nVous avez passé un long moment à perfectionner votre modèle de Machine Learning\, il est maintenant temps pour les utilisateurs d’interagir avec\, via une application web moderne et responsive !\nToutefois nous sommes un peu démunis face à cette question du déploiement web. Il faut extraire le code de notre patchwork de notebooks Jupyter et apprendre à structurer des API REST en Flask pour assurer les prédictions. Il faut se remémorer nos connaissances poussiéreuses en HTML5/CSS3\, et découvrir les débats sur les framework Javascript à la mode pour produire une page web interactive…ou alors laisser la main à un développeur web avec le sentiment de ne plus pouvoir faire évoluer seul cette page. \nAprès tout ce travail dans l’écosystème Data Science\, l’impression d’avoir à s’initier au développement web pour mettre notre modèle dans les mains du public est handicapante.\nEnter Streamlit (https://www.streamlit.io/)\, un framework qui vous permet d’implémenter rapidement une application web pour votre modèle sans quitter le monde Pythonic.\nJe vous présenterai le mode de fonctionnement et l’API de Streamlit\, comment gérer l’interactivité et la mise en cache des données\, le tout avec une démonstration live du rendu visuel -et croisons les doigts un déploiement sur Heroku-. \nA la fin de ce stream\, vous pourrez vous aussi visualiser les fruits de votre projet Data Science sur le web ! \n—-\nEn cas de problème de streaming sur https://www.twitch.tv/lyondatascience nous pourrions être amenés à mettre à jour cette URL. Nous mettrons à jour cette URL ici avant le début de la session.
URL:https://lyondatascience.org/evenements/quickly-build-data-science-web-apps-with-streamlit/
CATEGORIES:Meetup
END:VEVENT
BEGIN:VEVENT
DTSTART;TZID=Europe/Paris:20200205T184500
DTEND;TZID=Europe/Paris:20200205T203000
DTSTAMP:20251005T155034Z
CREATED:20251005T155034Z
LAST-MODIFIED:20251005T155034Z
UID:1479-1580928300-1580934600@lyondatascience.org
SUMMARY:L'informatique quantique et le machine learning
DESCRIPTION:L’informatique quantique promet de révolutionner les usages dans les prochaines années en augmentant sensiblement la puissance de calcul à disposition. Comment fonctionne cette technologie ? Où en est-on de son développement ? Quels sont les cas d’usages déjà identifiés ? Combien de temps faut-il encore attendre avant d’en bénéficier ? Notre intervenant du jour Bruno Fedrici\, Docteur en Physique avec une thèse en ingénierie quantique\, tentera d’apporter des réponses à toutes ces questions. Bruno Fedrici enseigne l’informatique quantique à Epitech et CPE Lyon et est régulièrement amené à introduire cette thématique auprès d’acteurs industriels en les accompagnant dans leurs plans de transformation numérique.
URL:https://lyondatascience.org/evenements/linformatique-quantique-et-le-machine-learning/
CATEGORIES:Meetup
END:VEVENT
BEGIN:VEVENT
DTSTART;TZID=Europe/Paris:20200114T190000
DTEND;TZID=Europe/Paris:20200114T200000
DTSTAMP:20251005T155034Z
CREATED:20251005T155034Z
LAST-MODIFIED:20251005T155034Z
UID:1478-1579028400-1579032000@lyondatascience.org
SUMMARY:Le clustering de clustering pour estimer le temps de parcours des usagers
DESCRIPTION:Le clustering de clustering pour estimer le temps de parcours des usagers sur un réseau routier\nPré-requis\nUn bagage général sur le machine learning est souhaitable \nÀ l’échelle de la ville\, les états de trafic sont naturellement variables\, que ce soit dans l’espace ou au cours du temps. Le partitionnement permet de découper un réseau de transport en zones homogènes. Une zone est définie par un ensemble de liens connectés ayant des conditions de circulation similaires. Nous proposons une approche spatio-temporelle définissant des zones en 3 Dimensions (3D). L’idée est de résumer la majeure partie de la dynamique du trafic d’une ville en utilisant peu d’information : la vitesse moyenne par zone spatio-temporelle. Deux familles de méthodes de clustering fondamentalement différentes sont comparées et évaluées. Le cas d’étude est le réseau d’Amsterdam avec des données réelles. \nD’un jour à l’autre\, la dynamique du trafic peut être similaire. Nous proposons une méthodologie regroupant les jours par leurs motifs de congestion. L’existence d’une régularité dans les motifs journaliers est introduite par la notion de jour-type. Un jour-type est le jour de référence d’un groupe de jours. Nous validons notre modèle en comparant les temps de parcours effectifs et les temps de parcours estimés par les jours-types. Diverses applications peuvent être raffinées à partir de quelques jours-types\, comme l’assistance routière et la génération de tournées. \nClélia Lopez\nhttp://clelialopez.com
URL:https://lyondatascience.org/evenements/le-clustering-de-clustering-pour-estimer-le-temps-de-parcours-des-usagers/
CATEGORIES:Meetup
END:VEVENT
BEGIN:VEVENT
DTSTART;TZID=Europe/Paris:20191217T190000
DTEND;TZID=Europe/Paris:20191217T200000
DTSTAMP:20251005T155034Z
CREATED:20251005T155034Z
LAST-MODIFIED:20251005T155034Z
UID:1477-1576609200-1576612800@lyondatascience.org
SUMMARY:Traitement du langage (plus ou moins) naturel sur les réseaux sociaux.
DESCRIPTION:Les techniques de traitement automatique du langage (natural language processing\, NLP) ont pris une ampleur importante ces dernières années dans les technologies de l’information. En moins de 5 ans\, les avancées en deep learning ont permis d’améliorer la compréhension sémantique de données textuelles complexes et non structurées et d’atteindre des performances jusqu’ici inattendues en traduction automatique\, classification thématique\, problèmes de question / réponses\, reconnaissance d’entités nommées\, etc…\nSur les réseaux sociaux\, les utilisateurs ont tendance à utiliser un langage très différent du langage parlé ou de l’écrit formel. Par exemple un influenceur sur Instagram de 21 ans qui vit à Paris et qui s’intéresse à la mode pourra transmettre cette information en utilisant un nombre restreint de mots et plusieurs emoji : « 21 yo – 📍Paris – 👻 @fashionvictim – Styliste ». Ici l’âge est induit par la contraction yo (years old)\, la localisation par l’emoji « épingle »\, le compte Snapchat par l’emoji « fantôme » et la profession (Styliste) est précisée sans phrase complète. Pour une entreprise comme Upfluence\, qui traite les données de plusieurs millions d’influenceurs\, ces informations sont capitales mais difficiles à extraire en utilisant des règles expertes ou des modèles de reconnaissance d’entités (NER) pré-entraînés sur des corpus de texte classique (Wikipedia\, romans\, etc…). De même les pseudonymes\, bien que contenants un nombre restreint lettres\, peuvent donner des informations intéressantes sur le genre\, le nom\, l’origine ou les passions d’un influenceur (ex : fashionqueendu69 : fashion [intérêt] – queen [genre] – du – 69 [région]). \nLors de cet exposé\, Anil Narassiguin\, ingénieur machine learning chez Upfluence et membre actif de Lyon Data Science\, présentera les différents projets développés en interne pour pouvoir extraire des informations pertinentes sur des profiles d’influenceurs via les données textuelles de leurs réseaux sociaux. Certains de ces projets sont actuellement en production dans la solution logicielle proposée par Upfluence\, d’autres sont encore à l’état expérimental. L’exposé se fera en 3 parties : \n– NER sur les descriptions de profils. \n– Classification de genre sur des pseudonymes via des modèles character-based.\n– NER character-based sur des pseudonymes. \nLa présentation sera principalement axée sur la méthodologie de ces projets (annotation\, choix des frameworks\, etc…). \nImpatients de vous voir nombreux pour ce dernier meetup de l’année ! \nL’équipe LDS.
URL:https://lyondatascience.org/evenements/traitement-du-langage-plus-ou-moins-naturel-sur-les-reseaux-sociaux/
CATEGORIES:Meetup
END:VEVENT
BEGIN:VEVENT
DTSTART;TZID=Europe/Paris:20191119T190000
DTEND;TZID=Europe/Paris:20191119T200000
DTSTAMP:20251005T155034Z
CREATED:20251005T155034Z
LAST-MODIFIED:20251005T155034Z
UID:1476-1574190000-1574193600@lyondatascience.org
SUMMARY:Deep learning pour l'industrie : un cas d'usage chez Enedis
DESCRIPTION:La session sera consacrée à un retour d’expérience autour du Deep Learning sur la détection automatique de pannes sur le réseau électrique aérien d’Enedis.\nChristophe Gay\, Data Scientist chez Enedis\, et Quentin Fresnel\, Data Scientist chez Datalyo\, évoqueront les solutions techniques mises en œuvre\, les algorithmes implémentés et les aspects métiers relatifs au sujet. \nNous pourrons ensuite en discuter autour des traditionnelles pizzas !
URL:https://lyondatascience.org/evenements/deep-learning-pour-lindustrie-un-cas-dusage-chez-enedis/
CATEGORIES:Meetup
END:VEVENT
BEGIN:VEVENT
DTSTART;TZID=Europe/Paris:20191015T190000
DTEND;TZID=Europe/Paris:20191015T210000
DTSTAMP:20251005T155033Z
CREATED:20251005T155033Z
LAST-MODIFIED:20251005T155033Z
UID:1475-1571166000-1571173200@lyondatascience.org
SUMMARY:Présentation de Sagemaker: plateforme ML d'AWS
DESCRIPTION:Au travers de ce meetup\, nous vous proposons de vous présenter la plateforme de Cloud Computing Amazon Web Services (AWS) et détailler plus spécifiquement le service Sagemaker qui permet de réaliser vos travaux de Machine Learning & Deep Learning.\nAu menu de cette session :\n– Introduction au Cloud Computing et aux différentes briques au travers d’AWS\n– Dive Deep sur Amazon Sagemaker au travers d’un cas concret \nCe meetup sera animé par Damien PEELMAN (Ingénieur Machine Learning) et Arnaud JEAN (Data Architect)\, 2 féru de Data & Analytics au sein du groupe TeamWork. \nRendez-vous le 15 Octobre 2019 !
URL:https://lyondatascience.org/evenements/presentation-de-sagemaker-plateforme-ml-daws/
CATEGORIES:Meetup
END:VEVENT
BEGIN:VEVENT
DTSTART;TZID=Europe/Paris:20190910T184500
DTEND;TZID=Europe/Paris:20190910T200000
DTSTAMP:20251005T155029Z
CREATED:20251005T155029Z
LAST-MODIFIED:20251005T155029Z
UID:1474-1568141100-1568145600@lyondatascience.org
SUMMARY:L'importance de la normalisation en analyse de données
DESCRIPTION:Pré-requis : statistiques descriptives (moyenne\, variance\, z-score\, médiane\, distributions\, Gausienne\, etc)\nL’analyse de données est une tâche complexe\, composée de multiples étapes successives : lecture des données\, pré-traitements\, extraction des caractéristiques\, modélisation des caractéristiques et évaluation. La normalisation des données semble appartenir majoritairement à l’étape de pré-traitements\, ce qui est faux\, puisqu’on peut la retrouver aussi dans des tâches haut niveau comme la détection d’anomalies\, l’apprentissage automatique\, l’apprentissage profond\, les tests statistiques\, etc. De plus\, l’étape de pré-traitements est souvent vue comme contraignante et peu valorisante. Il n’en est rien\, car en réalité\, c’est ici que se joue une grande part de l’efficacité de toute la chaine de traitements. La valeur ajoutée du data scientist est rarement dans l’étape maSuperMethode.apply()\, mais plus souvent dans la manière de présenter les données à cette méthode.\nDans cet exposé\, nous verrons dans un premier temps l’intérêt de la normalisation\, puis les différentes manières de normaliser\, et enfin les applications. \nQuentin Barthélemy
URL:https://lyondatascience.org/evenements/limportance-de-la-normalisation-en-analyse-de-donnees/
CATEGORIES:Meetup
END:VEVENT
BEGIN:VEVENT
DTSTART;TZID=Europe/Paris:20190604T184500
DTEND;TZID=Europe/Paris:20190604T203000
DTSTAMP:20251005T155029Z
CREATED:20251005T155029Z
LAST-MODIFIED:20251005T155029Z
UID:1473-1559673900-1559680200@lyondatascience.org
SUMMARY:Qu'est-ce que l’écologie nous apprend sur la résistance aux antibiotiques?
DESCRIPTION:Pour cette nouvelle séance de Lyon Data Science nous accueillons Julie Shapiro PhD\, chercheuse chez l’Institut national de la santé et de la recherche médicale (INSERM).\nLes antibiotiques ont transformé la médecine au siècle dernier\, mais leur efficacité est à présent menacée par la résistance des bactéries pathogènes. Si nous n’enrayons pas la diffusion des bactéries multirésistantes\, elle pourrait nous mener à une ère post-antibiotique dans laquelle le risque d’infection nosocomiale fatale menacerait le bénéfice de pratiques aussi courantes que les chimiothérapies ou les césariennes. \nNos stratégies actuelles contre la résistance\, qui cherchent à réduire : 1. l’utilisation des antibiotiques (épargne antibiotique) et 2. la transmission des pathogènes résistants (hygiène hospitalière)\, ont eu jusqu’à présent un succès limité. Nous avons en effet une compréhension limitée de l’évolution et de la dissémination de la multirésistance ainsi que de la façon dont elle est influencée par l’environnement hospitalier\, les stratégies d’épargne antibiotique et l’hygiène hospitalière. \nJe montrerai comment les analyses adaptées d’écologie peuvent nous aider à comprendre les facteurs qu’influence la résistance aux antibiotiques dans les hôpitaux et nous permettent de concevoir des stratégies optimales\, fondées sur une théorie écologique solide\, pour mieux combattre la résistance.
URL:https://lyondatascience.org/evenements/quest-ce-que-lecologie-nous-apprend-sur-la-resistance-aux-antibiotiques/
CATEGORIES:Meetup
END:VEVENT
BEGIN:VEVENT
DTSTART;TZID=Europe/Paris:20190514T190000
DTEND;TZID=Europe/Paris:20190514T210000
DTSTAMP:20251005T155028Z
CREATED:20251005T155028Z
LAST-MODIFIED:20251005T155028Z
UID:1472-1557860400-1557867600@lyondatascience.org
SUMMARY:7 conseils pour démarrer avec Spark
DESCRIPTION:Après plusieurs sessions orientées Machine Learning\, nous vous proposons de revenir un sur de la technique avec un retour d’expérience sur Apache Spark de Nastasia Saby\, ingénieure Big Data chez Zenika. Elle passera en revue 7 conseils indispensables pour bien démarrer avec Spark. Au menu de cette session :- L’utilisation du Spark-Shell.\n– Différence entre transformations et actions.\n– Apprendre les bases de Scala ?\n– Connaître son infra.\n– Les RDDs.\n– Replonge toi dans le SQL !\n– Ne pas abuser des UDFS.\n– Les tests en Spark. \nA bientôt ! \nAvec ce retour d’expérience\, je vous propose de vous dire ce que j’aurais aimé qu’on me dise avant de me lancer dans Spark. Je promets aussi de vous parler de ce que bien heureusement mes camarades plus expérimentés m’ont aussi donné comme astuces pour m’aider dans ce grand saut. Ce sera donc une entrée en matière dans le monde de Spark au travers de 7 conseils qui m’ont été ou m’auraient été bien pratiques pour démarrer. \nNastasia Saby
URL:https://lyondatascience.org/evenements/7-conseils-pour-demarrer-avec-spark/
CATEGORIES:Meetup
END:VEVENT
BEGIN:VEVENT
DTSTART;TZID=Europe/Paris:20190411T184500
DTEND;TZID=Europe/Paris:20190411T204500
DTSTAMP:20251005T155028Z
CREATED:20251005T155028Z
LAST-MODIFIED:20251005T155028Z
UID:1471-1555008300-1555015500@lyondatascience.org
SUMMARY:Data for plant science : la donnée au service de l’Ag-tech
DESCRIPTION:L’utilisation des données en Ag-Tech s’intensifie avec de nombreuses sociétés apportant de nouvelles idées au service de l’agriculture.\nCartographie des startup Agritech en France — 2nd édition :\nhttps://medium.com/xangevc/cartographie-des-startup-agritech-en-france-2nd-%C3%A9dition-f92a7c58d61c \nNous vous proposons une plongée dans l’univers des « datasciences au service des plantes » avec la présentation de la start-up valentinoise Carbon Bee. Cette soirée sera l’occasion de vous présenter un travail mené conjointement par Carbon Bee et Bayer sur le thème de la\ndétection des champignons pathogènes des plantes. \nDans un premier temps\, vous découvrirez les résultats d’une étude pilote utilisant l’analyse d’image par Machine Learning pour la quantification de maladies fongiques sur plante. \nPuis\, nous nous concentrerons sur l’outillage matériel et logiciel employé pour l’acquisition et l’analyse des données\, notamment un détecteur innovant combinant différents types d’informations (spatiales et spectrales) et des algorithmes de Deep Learning. En permettant une détection automatique précise des adventices (mauvaises herbes) ou des maladies au champ\, cette solution s’inscrit dans une stratégie d’optimisation des intrants et des pratiques agricoles. \nNous serons heureux d’échanger autour du thème de la datascience en agriculture de précision. \nVous pouvez découvrir le capteur et la méthode sur le site de Carbon Bee\n(https://carbonbee.fr) ainsi qu’une vidéo sympa illustrant le travail de l’entreprise : https://www.youtube.com/watch?v=tFVWWhhYSzc \nSpeakers:\nCatherine SIRVEN Bayer\nAnthony GELIBERT Carbon Bee\nAurélie THEBAULT Carbon Bee AgTech
URL:https://lyondatascience.org/evenements/data-for-plant-science-la-donnee-au-service-de-lag-tech/
CATEGORIES:Meetup
END:VEVENT
BEGIN:VEVENT
DTSTART;TZID=Europe/Paris:20190312T184500
DTEND;TZID=Europe/Paris:20190312T204500
DTSTAMP:20251005T155028Z
CREATED:20251005T155028Z
LAST-MODIFIED:20251005T155028Z
UID:1470-1552416300-1552423500@lyondatascience.org
SUMMARY:Les GANs et leurs applications
DESCRIPTION:Une percée majeure en machine learning est l’apparition récente des réseaux antagonistes génératifs ou en anglais Generatif Adversarial Networks (GANs)\, qui permet de simuler des données \, e.g.\, visages\, pratiquement impossibles de différencier de vraies données. Ses applications sont aussi nombreuses que diversifiées\, allant de l’édition de photos jusqu’à la traduction automatique en passant par le transfert de style. Dans cet exposé\, Prof. Chen va introduire les principes de base des GANs \, en décrire quelques applications \, et donner un aperçu de ses derniers travaux\, notamment de l’algorithme IVI-GAN\, qui permet d’isoler des facteurs de variation dans la génération de données.\nDr. Liming Chen est Professeur à l’Ecole Centrale de Lyon où il mène un groupe de recherche sur la vision par ordinateur\, le machine learning et la robotique depuis de nombreuses années. Son groupe a été lauréat des médailles d’or et d’argent du challenge ImageClef sur l’annotation automatique d’images en 2011 et de médaille d’or au challenge Shrec 3D face recognition en 2012. Leurs travaux de recherche ont trouvé de nombreuses applications\, e.g.\, Morphoway\, en biométrie pour le portail de passage automatique à l’aéroport\, ou encore en bras de manipulation robotique\, en partenariat avec des acteurs industriels majeurs. \nRéférences :\n– Generative Adversarial Nets\, Goodfellow : https://papers.nips.cc/paper/5423-generative-adversarial-nets.pdf \n– Conditional Generative Adversarial Nets\, Mirza : https://arxiv.org/pdf/1411.1784.pdf \n– Intra-class Variation Isolation in Conditional GANs\, Chen : https://arxiv.org/pdf/1811.11296.pdf
URL:https://lyondatascience.org/evenements/les-gans-et-leurs-applications/
CATEGORIES:Meetup
END:VEVENT
BEGIN:VEVENT
DTSTART;TZID=Europe/Paris:20190228T184500
DTEND;TZID=Europe/Paris:20190228T203000
DTSTAMP:20251005T155024Z
CREATED:20251005T155024Z
LAST-MODIFIED:20251005T155024Z
UID:1469-1551379500-1551385800@lyondatascience.org
SUMMARY:What R we doing in cancer research?
DESCRIPTION:For this new session of Lyon Data Science\, three cancer researchers from the International Agency for Research on Cancer (IARC) will discuss diverse approaches in studying cancer with applications in R.\nFirst\, Dr. Virani will present a surveillance method focused on predictions of cancer incidence trends into the future to determine magnitude and burden over time. Next\, Dr. Mariosa will discuss how to use genetic information to identify cancer risk factors using Mendelian randomization. Finally\, Dr. Lennon will present examples of determining how different weight trajectories throughout lifetime relate to cancer risk. \nThis evening is a collaboration of Lyon Data Science with R-Ladies Lyon (https://www.meetup.com/rladies-lyon/). The talks will be held in English. \n· Daniela Mariosa \n· Hannah Lennon @HannahLenn;\nhttps://www.linkedin.com/in/hlennon/\nhttps://twitter.com/HannahLennon_ \n· Shama Virani @scisha;\nhttps://www.linkedin.com/in/shamavirani/\nTweets by Scisha
URL:https://lyondatascience.org/evenements/what-r-we-doing-in-cancer-research/
CATEGORIES:Meetup
END:VEVENT
BEGIN:VEVENT
DTSTART;TZID=Europe/Paris:20190121T184500
DTEND;TZID=Europe/Paris:20190121T203000
DTSTAMP:20251005T155024Z
CREATED:20251005T155024Z
LAST-MODIFIED:20251005T155024Z
UID:1468-1548096300-1548102600@lyondatascience.org
SUMMARY:L'apprentissage par renforcement
DESCRIPTION:Bonjour\,\nPour cette nouvelle séance\, notre speaker Thibault Neveu\, le responsable du HUB IA de l’Epitech Lyon\, nous parlera de l’apprentissage par renforcement. \nL’apprentissage par renforcement est un des domaines qui a connu un taux de croissance important durant l’année 2018 avec de nombreux succès. Durant la présentation\, je parlerai des différentes méthodes utilisés dans l’apprentissage par renforcement ainsi que les principales limites que l’on peut rencontrer. Je présenterai d’intéressant travaux menés pour lever ces problématiques tout en présentant certains cas concrets où le renforcement peut être appliqué. J’évoquerais ensuite les dangers et bénéfices de son application tout en terminant sur les points potentiellement manquants pour se diriger vers une intelligence artificielle générale. \nThibault a une chaîne Youtube\, où il donne des cours sur l’IA. https://www.youtube.com/channel/UCVso5UVvQeGAuwbksmA95iA \nA très bientôt\, \nL’équipe LDS
URL:https://lyondatascience.org/evenements/lapprentissage-par-renforcement/
CATEGORIES:Meetup
END:VEVENT
BEGIN:VEVENT
DTSTART;TZID=Europe/Paris:20181204T184500
DTEND;TZID=Europe/Paris:20181204T203000
DTSTAMP:20251005T155024Z
CREATED:20251005T155024Z
LAST-MODIFIED:20251005T155024Z
UID:1467-1543949100-1543955400@lyondatascience.org
SUMMARY:La data science pour aider le diabète
DESCRIPTION:Pour un diabétique\, une hypoglycémie peut avoir des conséquences catastrophiques. Maxime\, étudiant en mathématique appliquées\, a essayé d’appliquer du Machine Learning pour les anticiper. Après une présentation des données utilisées et des problèmes liés à leurs collecte. Maxime nous présentera un modèle avant de nous faire part des challenges rencontrées lors de la modélisation. Cette présentation s’achèvera avec une ouverture sur comment l’IOT pourrait permettre une grande amélioration dans la gestion du diabète.\nMots Clefs : Diabète\, machine learning\, régression quantile \nA très bientôt\, \nL’équipe LDS
URL:https://lyondatascience.org/evenements/la-data-science-pour-aider-le-diabete/
CATEGORIES:Meetup
END:VEVENT
END:VCALENDAR