News
Depuis 5 ans, la mode est au deep learning (apprentissage profond). Qui utilise ces algorithmes d’apprentissage automatique ? Pour faire quoi ? Ils ont d’ores et déjà bouleversé certains domaines. Dans d’autres, ils promettent beaucoup mais soulèvent aussi plusieurs problèmes. En quelques années,
[vc_row][vc_column][vc_column_text]Le secteur de l'assurance compte sur la science des données pour prédire les conséquences de catastrophes naturelles avant leur survenue : volume de déclarations de sinistres à traiter, budget à provisionner, nombre de sinistrés à accueillir en agence, etc. Un
[vc_row][vc_column][vc_column_text] Pierre Latouche (Université Paris 1), Charles Bouveyron (Université Paris Descartes), Damien Marié (SATT IDFINNOV), Guilhem Fouetillou (Sciences Po Paris) Emmanuel Macron vient d’être élu à la présidence de la République sur un programme dont une des priorités est la recomposition de
[vc_row][vc_column][vc_column_text] Carlo de Franchis, Gabriele Facciolo, Enric Meinhardt-Llopis (CMLA, ENS Paris-Saclay) Légende photo : La technique a aussi été mise à profit pour évaluer le relief de la comète Tchoury aux abords du robot Philae (situé dans la zone délimitée par l'ellipse
[vc_row][vc_column][vc_column_text]Depuis 2012, les algorithmes à base de deep learning (apprentissage profond) semblent prêts à résoudre bien des problèmes : reconnaitre des visages comme le propose DeepFace, vaincre des joueurs de go ou de poker ou bientôt permettre la conduite de voitures
Masters 1, Mastères Spécialisés 2, Mastère en sciences (MSc), certificats, filières d’écoles d’ingénieur, diplômes universitaires
Cette infographie recense les principales problématiques que peuvent résoudre les nombreuses méthodes d’analyse et de traitement de grandes masses de données. Sur la base d'un exemple (la surveillance d’une usine ou d’un moteur d’avion), voyons en quoi consistent les différentes phases