• "Quelle vision pour la computer vision ?" Avec Qucit, Thinkdeep & Mediamap

    Nous relayons ici le premier événement du meetup dédié à la Computer Vision sur Bordeaux, organisé en partenariat avec le meetup Machine Learning. Quels marchés pour la computer vision ? Comment scaler ? Quelles sont les bonnes pratiques ? Quels sont les enjeux technologiques et industrielles ? Animation et organisation : Marc Bagur Débat : "Quelle vision pour la computer vision ?" Merci à nos speakers : > Raphaël Cherrier - QuCit, CEO > Vincent Van Steenbergen - ThinkDeep AI, CEO > David Benoot - Mediamap, CEO La priorité est au débat. Les entreprises sont priées de présenter un cas technique de computer vision en 10mn. Il reste ensuite 50 minutes pour échanger avec les intervenants. Déroulé de la soirée (19h - 21h) : Accueil (15 mn) / Mot d'accueil (5mn) / Intervenant 1 (10 mn) / Intervenant 2 (10 mn)/ Intervenant 3 (10 mn)/ Questions-débat (50 mn)/ Networking (15mn) / Temps technique (5mn) #HellYeah

  • Intelligence Augmentée: Deep learning appliqué à la réalité augmentée

    Prochain meetup organisé en partenariat avec Les nuits des réseaux de neuronnes (https://www.meetup.com/fr-FR/Les-nuits-des-reseaux-de-neurones) “Intelligence Augmentée - Augmenter l'humain grâce au Deep Learning appliqué à la Réalité Augmentée" - Présentation d'introduction par Vincent Van Steenbergen, ingénieur sénior en Intelligence Artificielle : Comment le Deep Learning couplé à la réalité augmentée peuvent augmenter les performances cognitives de l'homme. Et si nous pouvions faciliter notre travail au quotidien ? *Lieux* : Nous avons la chance d'être accueilli au Node pour cette session ! *Planning* : => Accueil des participants de 19h15 à 19h30 => Présentation d'introduction de 19h30h à 20h30 => Repas en mode auberge espagnole (n'oubliez pas d'amener ce que vous souhaitez) 20h30 à 21h30 => Création des équipes d'atelier et choix des sujets 21h30 à 21h45 => Début des ateliers à 21h45 jusqu'à... PS : vous pourrez partir à l'heure que vous souhaitez ! Que doivent ramener les membres ? - pour le travail : ordinateur portable (si possible), stylo, feuille - pour le repas : "ce que vous voulez" + bières/sodas (mode auberge espagnole) - Quelles informations importantes avez-vous besoin de mettre en avant ? Aucunes compétences nécessaires, des groupes de travail de différents niveaux seront établis. La durée de participation reste à la main de chacun. Si vous avez des difficultés de transport ? Laissez un commentaire sur cette page d'autres membres du meetup pourront probablement vous dépanner ;). Si vous avez le moindre problème ? N'hésitez pas à me contacter au[masked]. Pierre ou sur notre adresse mail [masked]

    2
  • Évaluer la qualité de la donnée OSM à partir de l'historique des contributions

    Damien Garaud viendra nous présenter un sujet concernant l'exploitation de données historiques d'OpenStreetMap afin d'évaluer la qualité de la donnée sur la base des contributions passées. Des données spatiales OpenStreetMap sont créées, modifiées, effacées tous les jours par des milliers de contributeurs du monde entier. L'historique de ces contributions contient des informations riches qu'il est possible d'extraire afin de qualifier la donnée OpenStreetMap. En traitant et en fouillant la donnée avec le langage de programmation Python, l'évolution des modifications est traçable pour n'importe quelle entité OSM : routes, bâtiments, places, etc. Une question de recherche intéressante revient à se demander si le niveau du contributeur (débutant, intermédiaire, expert) peut être inféré à partir de cet historique. A l'aide d'un algorithme de machine learning non-supervisé (K-means), nous qualifierons les contributeurs en fonction de leur contribution sans connaissance a priori sur leur niveau d'expertise. Comme d'habitude la présentation sera suivie d'un buffet en mode participatif

    3
  • Interprétabilité des modèles

    Le Node

    Les applications du machine learning dans certains secteurs réglementés (banque, assurance, médicale etc.) restent souvent cantonnées aux modèles linéaires ou à arbres compte tenu de leur capacité à produire des décisions relativement faciles à expliquer à un analyste métier. Récemment, des nouvelles techniques permettant d’expliquer les résultats produits par des modèles black-box ont vu le jour et attirent de plus en plus l’intérêt de la communauté data science et de l'industrie. En effet, il est désormais possible d’utiliser des modèles très performants comme XGBoost ou Deep learning sans sacrifier l’explication du modèle. Leonardo Noleto nous fera découvrir le fleurissant et passionnant domaine de l'interprétabilité des modèles de machine learning. Il fera un tour d'horizon des différentes approches et des cas d'application. En dernière partie, il dressera une analyse comparative des frameworks Python les plus connus comme LIME, ELI5 et SHAP. *Bio: Leonardo Noleto est Senior Data Scientist chez Bleckwen, FinTech créée en 2016 qui développe une solution de lutte contre la fraude financière avec du machine learning. Leonardo a plusieurs années d'expérience en développement logiciel et analyse des données et aime concevoir des applications plus "smart" avec le machine learning. Il a aussi co-fondé le meetup Toulouse Data Science et participe activement à des conférences et meetups data.*

    2
  • Embarquer l'intelligence artificielle grâce à Rust

    • What we'll do Les meetups Programmation Fonctionnelle reprennent en 2018 avec Mathieu Poumeyrol, l'artisan de l'adoption de Rust chez Snips qui viendra nous faire une introduction sur le langage Rust et son utilisation pour embarquer des réseaux de neurones "on-device" pour de la reconnaissance vocale au sein de l'assistant de Snips (https://snips.ai/). Comme d'habitude le meetup sera suivi d'un apéro offert par Snips pour l'occasion! Cross-domain meetup organisé en partenariat avec le meetup Machine Learning (https://www.meetup.com/Bordeaux-Machine-Learning-Meetup/) Mathieu Poumeyrol est un Ingénieur codeur. Passionné par les techniques du logiciel, les langages et leurs évolutions, il a participé à de multiples projets, du CD-ROM multimédia au backend webservice scalable. Aujourd'hui Ingénieur Principal à Snips, il y est l'artisan de l'adoption de Rust comme langage d'écriture du logiciel embarqué. • What to bring A functional brain • Important to know

    3
  • AlphaGo: projection du documentaire et échanges avec Fan Hui

    "D’apparence simple, mais étonnamment complexe, le Go sert de champ de bataille à ce combat entre l’intelligence artificielle et l’homme." Documentaire en anglais avec sous-titres français d'une durée de 1h30, réalisé par Greg Kohs et produit par Netflix. Ce meetup est organisé avec le concours de Kitani (club officiel de Go à Bordeaux) et d'Aquinum. /!\ CHANGEMENT DE DATE Nous repoussons le meetup pour le 23 FEVRIER. Nous aurons l'honneur d'être rejoints par Fan Hui et d'échanger avec lui suite à la projection. Fan est champion Européen de Go et avait affronté le programme AlphaGo de DeepMind en Octobre 2015 (peu avant la publication du 1er article scientifique dans le journal Nature). Fan travaille maintenant avec DeepMind et sera à Bordeaux le 23. Il est l'un des auteurs de l'article sur AlphaGo Zero publié en Octobre dernier. On compte sur vous pour apporter des bières et de quoi alimenter ces échanges, dans tous les sens du terme!! Plus d'infos sur le documentaire: https://www.alphagomovie.com/ Plus d'infos sur Kitani: http://www.kitani.org/

    11
  • Deep learning quantum mechanics — Keiran Thompson (Stanford)

    Voici le seul meetup de ML en France à se dérouler un 14 Juillet — à Bordeaux on est des déglingos!! Nous profitons du passage dans notre belle région de Dr Keiran Thompson, chercheur à Stanford University, pour vous proposer une présentation des plus intéressantes, et comme d'habitude, quelques bières fraîches (pour s'ambiancer avant d'aller guincher au bal des pompiers)... "Deep Learning methods, trained on massive quantities of data, have lead to unprecedented accuracy on several types of common machine learning data sets, notably images and text. This has powered an AI revolution, with talk of "General AI" appearing in the popular press. A natural question is whether these methods can be used to solve hard problems in the physical sciences. In fact, there is a long history of using neural networks in physics, chemistry and biology. One of the hardest computational problems is the Quantum Mechanics of molecules. In this talk we will discuss recent advances, and why this remains a challenging problem." Keiran is a research scientist at Stanford University. Previously he was founder and Chief Scientist at a machine learning startup. A veteran of the dot-com boom, Keiran has been a quant in a London investment bank, a professional athlete, and a high school teacher. He holds a PhD in Theoretical Chemistry from the Australian National University.

    4
  • Modélisation, problème inverse et apprentissage. Application en oncologie

    Bonjour à tous, Pour notre prochain meetup, nous avons le plaisir d'entendre Dr. Annabelle Collin d'Inria Bordeaux Sud-ouest. Dr. Annabelle Collin travaille dans l'équipe Monc. Elle va nous présenter comment elle se sert de Machine Learing dans son travail pour mieux comprendre l'évolution du cancer. Voici le résumer : Dans l'équipe dans laquelle je travaille, nous cherchons à construire des outils numériques basés sur la modélisation mathématique (équations aux dérivées partielles) et des méthodes statistiques pour mieux comprendre ou suivre l'évolution du cancer. Pour cela nous utilisons les connaissances biologiques et médicales apportées par nos collaborateurs ainsi que les données (majoritairement issues de l'imagerie) nous permettant de personnaliser les modèles. Le but est d'être capable d'aider les médecins à mieux comprendre, prédire voire contrôler la croissance tumorale et à mieux évaluer la réponse de la maladie à un traitement. Selon les problématiques rencontrées par les médecins, une méthode d'apprentissage statistique bien choisie peut suffire. Dans ma présentation, je montrerai un exemple qui permet d'évaluer le risque de rechute de gliomes. Cependant dans la plupart des cas, cela n'est pas suffisant. Une stratégie basée sur la modélisation mathématique et l'adaptation de ces modèles à chaque patient en utilisant les données médicales (problème inverse) doit être développée. L'apprentissage statistique peut permettre d'améliorer ces stratégies de différentes manières : en analysant les résultats apportés par le modèle ; en réduisant l'espace de recherche des paramètres etc ... Deux exemples seront proposés dans cette présentation.

    6
  • How to use machine learning to extract maps from satellite images ?

    Bordeaux Machine Learning Meetup est de retour. Cette fois-ci, Rémi Delassus de Qucit vient nous présenter comment extraire les batîments depuis les images satellites. Voici un résumer de sa présentation : At Qucit we use geographic data collected from hundreds of cities on a daily basis. It is collected from many different sources, often from each city’s open data website and used as inputs to our models. We can then predict parking times, bikeshare stations occupations, stress levels, parking fraud... Gathering it is a lot of fastidious work and we aim at automating it. In order to do so we want to get our data from a source available everywhere: satellite images. We tested our model on the SpaceNet images and labels, acquired thanks to the Spacenet Challenge. During this challenge the Topcoder Community had to develop automated methods for extracting building footprints from high-resolution satellite imagery. La présentation sera en français. Comme d'habitude, la présentation sera poursuivie par un apéro pour que tout le monde puissent discuter ensemble ! Vous pouver aussi amener des choses à boire et à manger si vous voulez ! :)

    2
  • Optimisation d'hyperparamètres

    Le Node

    Tunner un algorithme supervisé (disons un model de type LASSO) est plutôt simple: on change le paramètre alpha (sur une grille logarithmic) et l'on choisit la valeur optimal en utilisant un méthode de validation dit de cross-validation. Mais comment fait on lorsque l'on souhaite optimiser la structure d'un Neural Network (notamment le nombre de hidden layers et de neurones par layer), les paramètres tel que le learning, le dropout rates et le mini-batch size ? De même pour XGboost (https://xgboost.readthedocs.io/en/latest/) ou il y a de nombreux paramètres ? Dans cette présentation, nous verrons différentes approches afin d'optimiser ces paramètres en se concentrant sur l'algorithme TPE et son implémentation en Python hyperopt (https://github.com/hyperopt/hyperopt). Finalement, nous terminerons sur une étude de cas en live coding ou nous rechercherons l'optimisation de ces paramètres. Présenter par Yassine Alouini (https://twitter.com/yassinealouini) & Paul Coursaux (Qucit (http://www.qucit.com/)) ---------------------------------- Tuning a simple machine learning (let's say a LASSO model) algorithm is fairly easy: vary the alpha hyperparameter (over a logarithmic grid) and choose the optimal one using cross-validation. What happens now if you have a neural network where you need to optimize its structure (number of hidden layers and neurons per layer), the learning and dropout rates, mini-batch sizes? Or an XGboost model with a multitude of hyperparameters? In this talk, we walk you through different approaches to optimize hyperparameters focusing on the TPE algorithm and its Python implementation hyperopt. Finally, we present a (live coding) case study where the hyperparameter optimization is tricky

    14