Session Data Science Appliquée 2020
Objectifs
- Découvrir le monde de la data science et les grandes familles de problèmes
- Découvrir les outils du data scientist
- Explorer le processus de développement d’un modèle
Public
Programme
Jour 1:
- Introduction à la data science
- Modélisation d’un problème (input / ouput d’un problème de machine learning)
- Identifer les familles d’algorithmes de machine learning
- Comment ça marche?
- Construction de fonction de coût et méthode de minimisation
- Les outils du data scientist
- Python, Numpy, Scikit-learn, Jupyter Notebook
- Mise en pratique
Jour 2:
- Construire et évaluer des modèles
- Mise en pratique
- Le deep learning c’est quoi?
- Introduction des concepts
- Comment ça marche?
- Reconnaissance d’images
- Mise en pratique
Direction
Prof. Giovanna DI MARZO SERUGENDO, Centre universitaire d'informatique, Université de Genève
Coordination
Conditions d'admission
- Connaissances de base en programmation type python
- Quelques notions de statistiques sont un plus
Remarques
- Un laptop (Mac OS, linux, Windows)
- Les logiciels à installer seront communiqués avant le cours
Péva Blanchard :
Monsieur Péva Blanchard est titulaire d'un doctorat en informatique dans le domaine de la théorie des systèmes distribués (LRI Paris-Sud), et d'un titre d'ingénieur (Supélec) spécialisé en informatique. Après sa thèse, il a travaillé 3 ans en qualité d’assistant post-doctorant au LPD de l'EPFL, où il avait, entre autres, essayé de rapprocher certains concepts d'algorithmique distribuée et machine learning (https://dblp.org/pers/hd/b/Blanchard:Peva). Ensuite Monsieur Blanchard a travaillé dans l'industrie, chez Octo d'abord, et Kleis depuis peu. Il mène principalement des activités de conseil/delivery auprès de la clientèle.