au vendredi 22 juin 2018
Jour #1 - 11:00-21:00
Jour #2 - 07:00-21:00
Jour #3 - 07:00-21:00
Jour #4 - 07:00-21:00
Jour #5 - 07:00-15:00
Hôtel Club IGESA
Rue de la Douane
Ile de Porquerolles
83 400 HYERES
- Leman Akoglu (Carnegie Mellon University's H. John Heinz III College) - TBC
- Nataliia Bielovar (Inria / Indes) - TBC
- Dominique Cardon (Sciences Po - Media Lab) - TBC
- Lætitia Gauvin (ISI Foundation · Data Science Lab)
- Guillaume Obozinski (Ecole des Ponts - ParisTech) - TBC
- André Panisson (ISI Foundation - Data Science Lab)
- Michalis Vazirgiannis (École Polytechnique, LIX)
Le thème de l'école ResCom 2018 (la 13ème édition) est la « science des données » avec comme sous thème la science des réseaux et l’apprentissage (Data science, Network Science and Machine Learning).
Il y a un besoin fort au sein de notre communauté de monter en compétence sur ces domaines prépondérants et incontournables qui sont en rapide évolution et qui touchent plusieurs domaines scientifiques.
Grâce à la synergie entre le GDR MaDICS et le GDR RSD, nous offrons une proposition conjointe d'école de recherche CNRS à destination des jeunes chercheurs des deux communautés et ce, dans un fort esprit d’interdisciplinarité.
L'école abordera deux axes fondamentaux :
- la fouille de données : L’école donnera les fondamentaux théoriques, méthodologiques et pratiques de la fouille de données afin d’aborder les problématiques et les techniques algorithmiques liées à la collecte, l’exploration, la visualisation et l’analyse de grande masse de données multivariées. Une attention particulière sera mise sur la notion de données en “réseau”. En effet, les relations/liens existants entre les données sont une source précieuse d’information pour l’analyse.
- les méthodes d’apprentissage : L’école abordera notamment les questions d'apprentissage supervisé ou non supervisé, d’apprentissage profond, de méthodes à noyaux. Une attention particulière sera mise sur l'apprentissage sur les réseaux avec des problèmes comme la détection de communautés ou d’autres approches non supervisées qui prennent en compte les relations/liens existants entre les données.
Payant
Mots clés
Disciplines