Conférence sur le thème : Intelligence artificielle et Internet des objets. Organisée par : le laboratoire de technologie de l'information et modélisation (TIM) , Faculté des sciences Ben M'Sik, univérsité Hassan II Casablanca

1. Comment le Data et
Deep Learning
révolutionnent la
science
Pr. BEN LAHMAR EL Habib
HASSAN 2 University, Casablanca
Faculty of Sciences Ben M'Sik
Morocco
ORCID ID: orcid.org/0000-0001-7098-4621
RESEARCHERID: F-4988-2015
SCOPUS Author ID: 56027165800

2. Evolution

3. Evolution

4. “Data is the New Oil”
World Economic Forum

5. Source de données

6. Quelques chiffres
90% des données mondiales ont été créées au
cours des deux dernières années
Le volume de données mondiales double tous les
trois ans
1,7 megabyte de données sera créé chaque
seconde par chaque personne en 2020
60% des fabricants mondiaux utiliseront le Big
Data
200 milliards d’objets connectés d’ici la fin 2020
Data Scientist est le job numéro 1 du classement
Glassdoor 2017

7. 4éme Paradigme

8. Paradigme shift

9. L'hypothèse de Jim Gray
Source: The Fourth Paradigm: Data-intensive Scientific Discovery

10. Data - eScience
Source: The Fourth Paradigm: Data-intensive Scientific Discovery

11. Dans la génomique
Projet génome humain -
http://fr.wikipedia.org/wiki/Projet_g%C3%A9nome_humain
 plus de 10 ans et 3 milliards de
dollars pour réaliser le premier
séquençage humain complet de
l’ADN du génome humain,
 il est aujourd’hui possible d’en
réaliser un en quelques jours
pour moins de $1000.

12. • Le LST (Large Synoptic Survey Telescope)
devrait voir le jour en 2020 et enregistrera
avec sa caméra de 3200 Mégapixels plus de
30 Téraoctets d’images de la totalité du ciel
chaque nuit. Les astrophysiciens doivent
programmer l’ordinateur pour qu’il analyse
lui-même les images et indiquent aux
chercheurs où ils doivent regarder.
En astrophysique
Projet LSST - http://www.lsst.org/lsst/

13. En médecine
Source: The Fourth Paradigm: Data-intensive Scientific Discovery
Maladie pulmonaire obstructive chronique
cardiovasculaire
le cancer du poumon

14. En chimie
https://www.nature.com/articles/s41598-018-35934-y
Apprendre directement les propriétés des matériaux à partir de leurs
compositions élémentaires

15. Data: “Garbage in, garbage out”

16. Comment traiter et analyser
des données?
….
volumineuses et hétérogènes

17. AI

18. I.A

19. L'apprentissage
automatique Machine
Learning
….
un champ d'étude de
l'intelligence artificielle qui se
fonde sur des approches
statistiques pour donner
aux ordinateurs la capacité d'
« apprendre » à partir de
données

20. Machine learning

21. Machine Learning
• Apprendre à modéliser un problème à partir des
données

22. Types

23. Modèles

24. Quel algorithme d’apprentissage automatique
dois-je utiliser ?
de ce que vous voulez faire
avec la réponse.
Cela dépend
de la taille, de la qualité et de
la nature des données
Cela dépend
du temps que vous avez.
Cela dépend
de la conversion des calculs de
l'algorithme en instructions
pour l'ordinateur que vous
utilisez.
Cela dépend
Cela
dépend

25. Prétraitement des données

26. Feature Engineering
Feature Selection
Feature Scaling (data
normalization)
Feature Extraction
Decomposing Categorical
Attributes
Binning/Bucketing
Feature Crosses
Feature
Engineeri
ng
Quoi ?
distinguer les bonnes
caractéristiques des
mauvaises. prétraiter et
transformer ces
caractéristiques afin
d'optimiser leur efficacité dans
vos modèles

27. Exemples en entrée
Généralisation sur
un nouveau cas
Observer des exemples et produire des généralisation
Apprentissage supervisé

28. Modèles de classification
SVM
Régression logistique

29. Deep learning
Des réseaux
neuronaux artificiels
L'une des principales technologies
de Machine Learning et d'intelligence
artificielle.

30. Approches scientifiques

31. Deep Learning: Une rupture scientifique ?!
Principes de base de la méthode scientifique : les modèles
(ou théories) sont classiquement construits par les
chercheurs à partir des observations.
Le deep learning change la donne en assistant l'expertise
scientifique dans la construction des modèles.

32. Expériences de recâblage
neuronal
neural rewiring experiments
• recâblé l'entrée rétinienne d'un
furet dans le cortex auditif .
•recâblé l'entrée rétinienne d’un
hamster dans le cortex
somatosensoriel
le cortex auditif a appris à traiter les informations
visuelles provenant des yeux du furet et a appris à
voir.

33. Neurone - Perceptron

34. ANN

35. Deep learning = learning
hierarchical representations
Feature visualization of convolutional net trained on ImageNet from [Zeiler & Fergus 2013]
Low-level
feature
Trainable
classifier
High-level
feature
Mid-level
feature
It's deep if it has more than one stage of non-linear feature transformation

36. Deep learning Vs Machine learning

37. Forward and Back-Propagation

38. Prédiction

39. +109 Paramètres

40. Optimisation

41. Recurrent neural networks

42. Réseau neuronal convolutif - CNN

43. Generative adversarial network
Goodfellow et al. 2014
Deux réseaux sont placés en compétition
Le premier réseau génère un échantillon
son adversaire, le discriminateur essaie de
détecter si un échantillon est réel ou bien
s'il est le résultat du générateur.

44. Transfer Learning

45. NLP

46. Attention

47. Attention
• Un mécanisme d’attention
permet à un RNN de porter son
attention sur différentes parties
de son entrée [x0 , …, xT ].
1.Chaque élément de l’entrée est
comparé à l’état courant ht-1, pour
générer des coefficients de
pondération αi .
2.La sortie ct (contexte) est une
somme pondérée de tous les
éléments de l’entrée (« Soft
Attention »).
Bahdanau, D., Cho, K., & Bengio, Y. (2015). Neural Machine Translation
by Jointly Learning to Align and Translate. In ICLR 2015.

48. Attention
• Les traits blues en gras montrent où le RNN
mauve (décodeur) porte son attention dans la
séquence générée par le RNN vert (encodeur).

49. Recherche scientifique
0
5000
10000
15000
20000
25000
30000
1996199719981999200020012002200320042005200620072008200920102011201220132014201520162017201820192020
NB Publications "deep learning"
NB

50. Recherche scientifique

53. Kaggle.com

54. Détection des émotions des apprenants
Un système d’Anti Plagiat - Détection du
plagiat d’idée
Un système bibliométrique sémantique
Système de transport intelligent
Prévision de l'échec des étudiants
Moteur de recherche IoT
Prévision de la demande client
Analyse des discours politique
Optimisation des hyper paramètres
Sujets de recherche

55. Datasciencetoday.net

56. Succès…

57. Merci

58. ORCID ID: orcid.org/0000-0001-7098-4621
RESEARCHERID: F-4988-2015
SCOPUS Author ID: 56027165800
Comment le Data et
deep learning
révolutionnent la
science
Pr. BEN LAHMAR EL Habib
HASSAN 2 University, Casablanca
Faculty of Sciences Ben M'Sik
Morocco