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:20160327T010000
END:DAYLIGHT
BEGIN:STANDARD
TZOFFSETFROM:+0200
TZOFFSETTO:+0100
TZNAME:CET
DTSTART:20161030T010000
END:STANDARD
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
END:VTIMEZONE
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
BEGIN:VEVENT
DTSTART;TZID=Europe/Paris:20181105T184500
DTEND;TZID=Europe/Paris:20181105T203000
DTSTAMP:20251005T155024Z
CREATED:20251005T155024Z
LAST-MODIFIED:20251005T155024Z
UID:1466-1541443500-1541449800@lyondatascience.org
SUMMARY:Data Science en production avec R : quels enjeux ? Quelles solutions?
DESCRIPTION:Pour cette nouvelle séance de Lyon Data Science\, animée par Colin Fay\, Data Scientist & R Hacker chez ThinkR (une agence française spécialisée en Data Science et langage R)\, nous découvrirons les enjeux de la mise en production avec R.\nComment passer de l’expérimentation en ligne de commande à l’utilisation grande échelle ? Comment faire le pas d’une recherche et développement dans le confort de son ordinateur à un produit utilisé par de nombreux utilisateurs ? Comment partager son travail à ses collaborateurs non initiés ? Comment faire le grand saut de l’industrialisation de la Data Science ? \nC’est ce qu’abordera Colin dans ce talk sur R\, où il viendra présenter ce langage et quels sont les enjeux d’une mise en production de celui\, tant du point de vue utilisateur qu’infrastructure. \nNous aborderons\, entre autres\, les questions suivantes :\nDe la ligne de commande à l’interface utilisateur\nDe la R&D à la mise en production\nDe la mise en production à l’industrialisation \nA très bientôt\, \nL’équipe LDS
URL:https://lyondatascience.org/evenements/data-science-en-production-avec-r-quels-enjeux-quelles-solutions/
CATEGORIES:Meetup
END:VEVENT
BEGIN:VEVENT
DTSTART;TZID=Europe/Paris:20181004T183000
DTEND;TZID=Europe/Paris:20181004T203000
DTSTAMP:20251005T155023Z
CREATED:20251005T155023Z
LAST-MODIFIED:20251005T155023Z
UID:1465-1538677800-1538685000@lyondatascience.org
SUMMARY:L’analyse de graphes au service de la fiabilisation du réseau basse tension
DESCRIPTION:Intervenants : Thomas Pilaud (Enedis) et Lisa Laisné (Data Scientist\, Datalyo)\nCette session sera consacrée à un retour d’expérience Data Science et Machine Learning sur la fiabilisation du réseau basse tension. Seront évoquées les solutions techniques mises en œuvre\, les algorithmes implémentés et les aspects métiers relatifs au sujet. \nMots clés : Data Science\, Machine Learning\, énergie\, graphes\, réseau\, R \nAccueil à partir de 18h30 dans la grande salle du Campus Région du Numérique à Confluence.
URL:https://lyondatascience.org/evenements/lanalyse-de-graphes-au-service-de-la-fiabilisation-du-reseau-basse-tension/
CATEGORIES:Meetup
END:VEVENT
BEGIN:VEVENT
DTSTART;TZID=Europe/Paris:20180914T184500
DTEND;TZID=Europe/Paris:20180914T203000
DTSTAMP:20251005T155019Z
CREATED:20251005T153457Z
LAST-MODIFIED:20251005T155019Z
UID:1099-1536950700-1536957000@lyondatascience.org
SUMMARY:AutoML avec R: le tuning de modèles pour paresseux
DESCRIPTION:Pour cette rentrée\, Alex Boulangé\, Chief Data Scientist chez Social Intelligence\, nous parlera d’un package R qu’il a développé pour pouvoir tuner des réseaux de neurones artificielles avec du biomimétisme (en utilisant notamment l’optimisation par essaims particulaires).\nDescriptif du package sur CRAN (actuellement en attente de validation):\n« Package to fit highly customizable deep neural network either with\ngradient descent or particle swarm optimization\, using custom layers\n(number\, size\, activation\, dropout)\, automatic hyper parameters tuning and custom cost function. This package mixes the best of last tricks on deep learning (based on different research papers wrapped up in Andrew NG Deep Learning specialization) and PSO (based on 1995 research paper and following research papers wrapped up in yarpiz\nvideo tutorial). \nKey words: autoML\, Deep Learning\, Particle Swarm Optimization\, learning rate\, minibatch\, batch normalization\, lambda\, RMSprop\, momentum\, adam optimization\, learning rate decay\, particles number\, kappa\, regression\, logistic regression). » \nEn espérant vous voir nombreux ! \nL’équipe LDS
URL:https://lyondatascience.org/evenements/automl-avec-r-le-tuning-de-modeles-pour-paresseux/
CATEGORIES:Meetup
END:VEVENT
BEGIN:VEVENT
DTSTART;TZID=Europe/Paris:20180622T184500
DTEND;TZID=Europe/Paris:20180622T203000
DTSTAMP:20251005T155019Z
CREATED:20251005T153457Z
LAST-MODIFIED:20251005T155019Z
UID:1098-1529693100-1529699400@lyondatascience.org
SUMMARY:Traitement automatique de la Langue et extraction de sentiment: outils et enjeux
DESCRIPTION:Bonjour\,\nPour cette nouvelle séance de Lyon Data Science\, animée par Catalina Chircu\, Data Scientist chez Hardis\, en mission chez Lizeo\, nous découvrirons des outils pour le traitement de la langue. Nous aurons aussi\, après la présentation de Catalina\, une présentation rapide d’un outil pour extraire de coordonnées à partir du texte brut\, faite par Olivier Courtin de chez Data Pink. \nDans cette conférence\, Catalina parlera d’un outil d’extraction de sens à partir du texte\, et de ce que le data mining dans le cadre du traitement du texte implique\, de manière générale. Elle présentera d’abord l’outil pour l’annotation automatique qu’elle a créé au sein de l’équipe R&D de Lizéo. Ensuite\, elle fera quelques remarques sur les enjeux du data mining / apprentissage automatique\, ainsi que sur les difficultés rencontrées et les divers choix qu’elle a faits. \nOlivier Courtin\, pour sa part\, nous parlera de comment\, à partir des outils et méthodes NLP actuels\, extraire des lemmes se référant à une spatialisation\, et les appareiller à une base toponymique pour en récupérer leur géolocalisation. Ou dit autrement\, donne moi du texte et je te donnerai des coordonnées GPS. \nA très bientôt\, \nL´équipe LDS
URL:https://lyondatascience.org/evenements/traitement-automatique-de-la-langue-et-extraction-de-sentiment-outils-et-enjeux/
CATEGORIES:Meetup
END:VEVENT
BEGIN:VEVENT
DTSTART;TZID=Europe/Paris:20180523T184500
DTEND;TZID=Europe/Paris:20180523T203000
DTSTAMP:20251005T155019Z
CREATED:20251005T153457Z
LAST-MODIFIED:20251005T155019Z
UID:1097-1527101100-1527107400@lyondatascience.org
SUMMARY:Introduction au Machine Learning avec Spark 2.x et Scala
DESCRIPTION:Bonjour à tous\,\nDans cette session je vous propose de partir à la découverte des fonctionnalités de Spark 2 et du langage Scala\, avec notamment : \n– Une présentation des concepts clés de Spark Core & Spark ML (DataFrame / Dataset\, Pipelines\, Transformers\, Estimators\, etc…)\n– Un tour d’horizon des différentes librairies de ML et de traitement de données disponibles dans l’écosystème Spark / Scala.\n– Le tout associé à quelques démos ‘live’ de quelques cas pratiques (clustering\, régression\, etc …) sur de gros volumes de données avec notre datalake. \nCette séance sera animée par Jean-Yves Besson de chez Lizeo\, \nA très bientôt\, \nL’équipe LDS
URL:https://lyondatascience.org/evenements/introduction-au-machine-learning-avec-spark-2-x-et-scala/
CATEGORIES:Meetup
END:VEVENT
BEGIN:VEVENT
DTSTART;TZID=Europe/Paris:20180412T184500
DTEND;TZID=Europe/Paris:20180412T203000
DTSTAMP:20251005T155019Z
CREATED:20251005T153457Z
LAST-MODIFIED:20251005T155019Z
UID:1096-1523558700-1523565000@lyondatascience.org
SUMMARY:Incertitude : source de fiabilité
DESCRIPTION:Bonjour\,\nNous sommes ravis de vous proposer une séance sur l’incertitude et la confiance des modèles de Machine Learning\, animée par Samy Melaine de Data Genius. \nAvec les progrès récents sur les techniques de Machine Learning et les résultats qu’ils apportent\, des systèmes qui jusqu’à récemment n’étaient appliqués qu’à des données académiques sont maintenant déployés dans des environnements réels pour des applications commerciales. Dans ces cas\, si les systèmes implémentés ne sont pas fiables et génèrent des prédictions fausses sans que cela ne puisse être détecté\, des conséquences graves sont à prévoir. Pour palier à cela il est donc important de mettre en production un modèle qui « sait ce qu’il ne sait pas ». Ensemble et durant ce Meetup nous allons : \n– Définir concrètement ce qu’est ce concept d’incertitude et ce que cela n’est pas (beware of softmax) \n– Comment on peut entraîner des modèles (réseaux de neurones ou ensemblistes) à ressortir des valeurs de confiance fiables \n– Et enfin\, revoir des techniques qui permettent de (ou se rapprochent d’) expliquer les prédictions d’un modèle de ML et ce qu’il a appris. \nA très bientôt\, \nL’équipe de Lyon Data Science
URL:https://lyondatascience.org/evenements/incertitude-source-de-fiabilite/
CATEGORIES:Meetup
END:VEVENT
BEGIN:VEVENT
DTSTART;TZID=Europe/Paris:20180328T184500
DTEND;TZID=Europe/Paris:20180328T203000
DTSTAMP:20251005T155019Z
CREATED:20251005T153456Z
LAST-MODIFIED:20251005T155019Z
UID:1095-1522262700-1522269000@lyondatascience.org
SUMMARY:Milou est à Tintin ce que Rantanplan est à Lucky Luke : NLP & Word Embeddings
DESCRIPTION:Comment faire de la traduction automatique ? Comment communiquer avec un ordinateur via un chatbot ? Comment analyser des données textuelles ? Comment comprendre les enjeux sémantiques\, syntaxiques et grammaticaux liés aux langues ? Venez découvrir le secret des Word Embeddings !\nSamuel et Tanguy\, data scientists chez 365Talents\, sont spécialisés dans le Traitement Automatique de la Langue (NLP). Durant ce talk\, ils vous parleront de Word Embeddings; en commençant par l’approche la plus intuitive pour conclure par les réseaux de neurones les plus complexes. Un discours vulgarisé permettra de suivre les différentes étapes\, sans s’attarder sur les parties mathématiques trop complexes. \nOn vous attend nombreux !
URL:https://lyondatascience.org/evenements/milou-est-a-tintin-ce-que-rantanplan-est-a-lucky-luke-nlp-word-embeddings/
CATEGORIES:Meetup
END:VEVENT
BEGIN:VEVENT
DTSTART;TZID=Europe/Paris:20180215T190000
DTEND;TZID=Europe/Paris:20180215T203000
DTSTAMP:20251005T155016Z
CREATED:20251005T153442Z
LAST-MODIFIED:20251005T155016Z
UID:1092-1518721200-1518726600@lyondatascience.org
SUMMARY:What to do before an A/B test?  An exploration of offline evaluation methods
DESCRIPTION:Bonjour à tous!\nNous vous invitons à un nouveau Meetup presenté par Eustache Diemert\, qui travaille actuellement chez Criteo\, portant sur les méthodes d’évaluation offline. Eustache Diemert\, sera aussi présent le 15 janvier au Dataday\, une journée pour échanger autour des problématiques data (plus de détails en bas). \nAbstract: Doing randomized trial (e.g. A/B test) is the gold standard to prove that a new method or algorithm is better than the baseline. But such tests are costly and imply that the new method/implementation is of production quality. A natural solution is then to choose the better candidate offline using logged data. We will explore different possibilities to do so and highlight their advantages and shortcomings. In particular\, we will see that a family of methods for counter-factual reasoning are very close to what an A/B test could tell while operating on logged data. \nCe meetup se déroulera à l’amphithéâtre de la bibliothèque Marie Curie de l’INSA. \nA très bientôt\, \nLyon Data Science \nPour les data passionnés: \nLe 15 février 2018\, le département Data\, Informatique & Statistique de l’université Lyon 2 organise le DataDay\, une journée pour échanger entre professionnels et amateurs autours des problématiques liées à la valorisation des données. \nCurieux et passionnés des données\, venez assister aux conférences (matinée) et participer au challenge (après-midi) ! \nPlus de détails sur le programme : https://dataday2018.wordpress.com/ \nInscrivez vous : https://dataday2018.eventbrite.fr
URL:https://lyondatascience.org/evenements/what-to-do-before-an-a-b-test-an-exploration-of-offline-evaluation-methods/
CATEGORIES:Meetup
END:VEVENT
BEGIN:VEVENT
DTSTART;TZID=Europe/Paris:20180119T184500
DTEND;TZID=Europe/Paris:20180119T203000
DTSTAMP:20251005T155016Z
CREATED:20251005T153442Z
LAST-MODIFIED:20251005T155016Z
UID:1091-1516387500-1516393800@lyondatascience.org
SUMMARY:Place de R et Python dans les formations en Data Science
DESCRIPTION:Bonjour à tous!\nNous vous proposons une session Lyon Data Science qui portera sur la Place de R et Python dans les formations en Data Science\, présentée par Ricco Rakotomalala du Master SISE – Université Lyon 2. La science des données n’échappe pas à la vague des logiciels libres. Depuis plusieurs années\, les deux outils les plus populaires auprès des data scientists sont R et Python selon le sondage annuel du site KDnuggets (Mai 2017). Certes\, les licences présentent des subtilités un peu difficiles à suivre parfois\, mais elles respectent deux caractéristiques fondamentales de mon point de vue : nous avons accès au code source\, nous garantissant un certain contrôle sur les calculs et opérations réellement effectuées ; ils sont accessibles et exploitables gratuitement\, quels que soient les contextes d’utilisation. De fait\, l’adoption de R et Python dans les formations en data science semble évidente. Pourtant\, il faut être prudent\, ne serait-ce que par principe. Dans mon exposé\, je m’appuierai sur ma propre expérience d’enseignant d’une part\, de créateur de logiciels de data mining gratuits à vocation pédagogique (SIPINA\, TANAGRA) d’autre part\, pour essayer de cerner les attentes que l’on peut avoir vis-à-vis des outils dans les cours de statistique et de data science. L’élaboration de TANAGRA (2004) en particulier aura été l’occasion de mener une réflexion approfondie sur les caractéristiques clés que doivent présenter les logiciels pour l’enseignement. Je reviendrai rapidement dessus pour mieux rebondir sur la définition d’un cahier des charges moderne où les compétences en programmation et les accès aux API tiennent une place importante. Dans ce contexte\, que l’on pourrait qualifier de Big Data\, R et Python se démarquent réellement et justifient pleinement l’investissement que l’on pourrait leur consacrer au sein des formations. Je m’appuierais sur une étude récente réalisée par un groupe d’étudiants du Master SISE pour essayer de cerner les mots clés importants qui caractérisent les annonces dans nos domaines en France. Python y occupe un espace assez singulier. \nCette session sera accueillie à La Tour du Web. \nA très bientôt\, \nL’équipe Lyon Data Science
URL:https://lyondatascience.org/evenements/place-de-r-et-python-dans-les-formations-en-data-science/
CATEGORIES:Meetup
END:VEVENT
BEGIN:VEVENT
DTSTART;TZID=Europe/Paris:20171211T184500
DTEND;TZID=Europe/Paris:20171211T203000
DTSTAMP:20251005T155016Z
CREATED:20251005T153442Z
LAST-MODIFIED:20251005T155016Z
UID:1090-1513017900-1513024200@lyondatascience.org
SUMMARY:Cas d'usage de data science : la détection de fraude
DESCRIPTION:Bonjour à tous!\nNous vous proposons une session Lyon Data Science qui portera sur la détection de la fraude\, cas appliqué à un opérateur télécom\, presentée par Romain de San Nicolas. \nQu’il s’agisse de souscriptions d’abonnements\, de souscription de crédits\, de souscription de contrats d’assurance\, les comportements frauduleux sont à l’origine de pertes financières conséquentes. Les comportements de plus en plus réactifs\, innovants et coordonnés des fraudeurs amènent les entreprises à rechercher de nouvelles techniques pour répondre à cette problématique. L’intelligence artificielle est capable d’y apporter des solutions en détectant des signaux faibles et en exploitant des corrélations complexes entre un grand nombre de variables. \nCette session sera accueillie à La Tour du Web. \nA très bientôt\, \nL’équipe Lyon Data Science
URL:https://lyondatascience.org/evenements/cas-dusage-de-data-science-la-detection-de-fraude/
CATEGORIES:Meetup
END:VEVENT
BEGIN:VEVENT
DTSTART;TZID=Europe/Paris:20171031T184500
DTEND;TZID=Europe/Paris:20171031T201500
DTSTAMP:20251005T155016Z
CREATED:20251005T153442Z
LAST-MODIFIED:20251005T155016Z
UID:1089-1509475500-1509480900@lyondatascience.org
SUMMARY:Open Street Map : Présentation\, analyse de données et lancement d'ateliers
DESCRIPTION:Bonjour\,\nNous vous proposons une soirée OpenStreetMap en trois volets: Introduction\, utilisation de ses données et proposition de lancement d’ateliers. \nAlors\, parlons de données Cartographiques\, Géospatiales\, \nLa donnée Géospatiale est de plus en plus présente\, et de plus en plus utilisée. Les données disponibles sont de plus en plus nombreuses et variées\, parfois compliquées à utiliser. Pourtant ces données sont omniprésentes dans l’utilisation quotidienne\, et les questions adressées peuvent être nombreuses: \n• Où se trouve la boulangerie la plus proche ? \n• Combien de commerces y a t il à 5 mins à pied ? \n• Quelle est la répartition des agences de voyage dans la ville ? \n• Quelle est l’organisation des transports urbain ? \n• Où se situe en lon/lat l’épitech à lyon ? \nAutant de questions qui peuvent être répondues en utilisant des données spatiales. Aussi nous vous proposons de découvrir le projet OpenStreetMap\, le premier projet collaboratif de création de données cartographiques mondiales. \n1) Sylvain\, impliqué dans l’organisation du projet\, présentera OSM\, l’impressionant dataset\, ainsi que l’écosystème associé. \n2) Dans un second volet\, Patrice\, expert technique SIG\, présentera l’utilisation du dataset\, et les outils disponibles pour travailler sur ces données. Un retour d’expérience permettra de montrer l’utilisation des données à grande échelle en environnement BigData\, et les points d’attention. \n3) Pour finir\, nous proposerons la mise en place d’ateliers de travail sur des thématiques concrètes\, avec un lien sur les outils d’IA. \nSi le nouvel établissement à côté de l’Epitech a ouvert\, nous vous proposerons d’aller discuter après cette présentation. \nL’équipe Lyon Data Science \nPS:\n– Si vous désirez rejoindre l’équipe LDS\, n’hésitez pas à nous le faire savoir\, nous aimerions avoir une équipe plus riche\, diversifiée.\n– Si vous venez régulièrement et désirez être membre de l’association\, n’hésitez pas à cotiser comme indiqué sur le site web lyondata.science (http://www.lyondata.science)
URL:https://lyondatascience.org/evenements/open-street-map-presentation-analyse-de-donnees-et-lancement-dateliers/
CATEGORIES:Meetup
END:VEVENT
BEGIN:VEVENT
DTSTART;TZID=Europe/Paris:20171003T184500
DTEND;TZID=Europe/Paris:20171003T203000
DTSTAMP:20251005T155016Z
CREATED:20251005T153441Z
LAST-MODIFIED:20251005T155016Z
UID:1088-1507056300-1507062600@lyondatascience.org
SUMMARY:Session de rentrée + Retour Kaggle
DESCRIPTION:Bonne rentrée !\nDepuis 2 ans maintenant nous vous proposons de commencer l’année scolaire par des sessions d’introduction aux différents domaines de la Data Science.Une fois n’est pas coutume\, nous allons dans cette séance d’introduction détailler davantage les ressources disponibles pour les débutants / confirmés / experts en Machine Learning et Big Data.Nous finirons la session par un retour de compétition Kaggle. \nA bientôt ! \nL’équipe LDS \nPS: Pour la première fois\, le meetup aura lieu Mardi 😉
URL:https://lyondatascience.org/evenements/session-de-rentree-retour-kaggle/
CATEGORIES:Meetup
END:VEVENT
END:VCALENDAR