Carlyna BONDIOMBOUY (France)

Les probabilités et les statistiques sont les piliers fondamentaux de la modélisation des incertitudes et de l'analyse des données, jouant un rôle clé dans le développement et l'évaluation des modèles d'intelligence artificielle (IA). Cette conférence vise à approfondir la compréhension des concepts essentiels tels que les distributions de probabilités, les tests d'hypothèses, les régressions linéaires et non linéaires, ainsi que les méthodes d'échantillonnage. En outre, nous aborderons l'inférence statistique, indispensable pour tirer des conclusions robustes à partir de données imparfaites ou incomplètes. Les participants découvriront comment ces outils statistiques permettent non seulement d'améliorer la précision des modèles d'IA, mais aussi d'évaluer leur performance dans des contextes réels, tout en gérant l'incertitude inhérente aux données. Ce savoir est essentiel pour concevoir des solutions d'IA efficaces, transparentes et applicables à grande échelle.

Sessions:  

Carlyna BONDIOMBOUY | 2h00 

Carlyna BONDIOMBOUY | 2h00 

Mamadou BOUSSO

Un modèle génératif est un algorithme d’intelligence artificielle conçu pour apprendre la distribution sous-jacente des données et générer de nouvelles données similaires à celles utilisées lors de l’entraînement. Dans ce cours, nous aborderons les principes mathématiques et certaines implémentations clés des principaux modèles génératifs qui forment la base de l’IA générative. Parmi ces modèles, nous étudierons les modèles autoregressifs, les autoencodeurs variationnels (VAEs), les modèles de flux normalisés, les réseaux antagonistes génératifs (GANs), ainsi que les modèles de diffusion. 

Sessions: 

Mamadou BOUSSO | 2h00 

Mamadou BOUSSO | 2h00 

Mamadou BOUSSO | 2h00 

Mamadou BOUSSO | 2h00 

Mr Christopher THRON

La science et la technologie modernes sont en train d’être révolutionnées par l’intelligence artificielle. Les méthodes et techniques mathématiques et informatiques qui sous-tendent l’intelligence artificielle sont connues sous le nom d’apprentissage automatique (machine learning). La forme la plus sophistiquée de l’apprentissage automatique est l’apprentissage profond (deep learning), qui repose sur l’utilisation de réseaux de neurones de divers types.

Dans les domaines du traitement d’images et du traitement du langage naturel, ainsi que dans d’autres applications impliquant de grandes bases de données contenant des informations complexes avec de nombreuses caractéristiques, l’apprentissage profond surpasse systématiquement toutes les autres méthodes.

Dans cette session de formation, nous proposerons une introduction pratique à l’apprentissage profond en utilisant le framework TensorFlow développé par Google. L’accent sera mis sur les aspects pratiques de la mise en place et de l’optimisation d’un réseau de neurones pour des tâches de classification ou de prédiction. Nous utiliserons des exemples issus du traitement d’images et de textes pour illustrer ces concepts. Une introduction théorique aux bases mathématiques de l’apprentissage automatique sera également fournie.

Sessions :

• Christopher THRON | 2h00

• Christopher THRON | 2h00

• Christopher THRON | 2h00

• Christopher THRON | 2h00

Mr Habib SIDI

Le machine learning, au cœur de l'intelligence artificielle, repose sur la construction de modèles capables de représenter de manière abstraite et informative les données. Ces modèles permettent, à travers des transformations complexes, d'extraire des connaissances latentes afin de répondre à une question posée. L'apprentissage supervisé, par exemple, excelle dans la classification et la régression, s'appuyant sur des arbres de décision, des méthodes d’ensembles et des techniques de boosting. En vision par ordinateur, les réseaux de neurones convolutifs prédominent, tandis que les modèles auto-régressifs et les réseaux de neurones récurrents (RNN) s’appliquent dans la génération de séquences, comme en traitement du langage naturel (NLP) avec les modèles de langage de grande taille (LLM). L'apprentissage non supervisé, quant à lui, explore les structures intrinsèques des données sans étiquettes préalables. Le clustering, la réduction de dimension et les systèmes de recommandation en sont de parfaits exemples. Les IA génératives, telles que les LLM, vont au-delà des modèles en générant du contenu créatif et cohérent à partir de vastes corpus de données. Ces modèles, basés sur des architectures complexes, ouvrent des perspectives immenses en génération de texte, de code et en interaction homme-machine. Le machine learning offre ainsi un éventail de techniques puissantes pour transformer les données en connaissances exploitables. Cette présentation explorera les fondements mathématiques et les applications concrètes de ces méthodes, en mettant l'accent sur les dernières avancées dans le domaine."

 Sessions: 

Bah Habib SIDI | 2h00 

Bah Habib SIDI | 2h00 

Bah Habib SIDI | 2h00 

Bah Habib SIDI | 2h00 

M. Franca HOFFMANN

Les équations aux dérivées partielles apparaissent dans les sciences appliquées et l’ingénierie pour modéliser des phénomènes complexes du monde réel. En particulier, les termes non linéaires et non locaux posent des défis dans l’analyse de leurs solutions.

Nous étudierons différentes équations non linéaires et non locales qui modélisent l'interaction entre des particules, comme l’équation des milieux poreux pour un gaz isentropique, ou encore les modèles de comportement collectif des groupes d’animaux. Lorsqu’on combine à la fois des termes non linéaires et non locaux dans une même équation, de nouvelles méthodes sont nécessaires pour analyser leur comportement.

Nous nous intéresserons notamment au célèbre modèle de Patlak-Keller-Segel pour la chimiotaxie bactérienne, qui décrit comment les cellules communiquent et interagissent entre elles, conduisant à des modèles plus généraux représentant les effets concurrents des forces attractives et répulsives.

Sessions: 

Franca HOFFMANN | 2h00

Franca HOFFMANN | 2h00 

Franca HOFFMANN | 2h00 

Franca HOFFMANN | 2h00 

Mme Elvire HOUSSOU

Artificial Intelligence is a set of theories and techniques implemented and executed in a dynamic computing environment capable of translating human reasoning into computer programmes. AI encompasses Machine Learning (ML) and Deep Learning (DL). AI is used in a number of fields, including agriculture, medicine, facial recognition, banking and finance, industry, commerce and IOT. Facial recognition is a biometric technique used to authenticate and identify a person based on their facial features. Facial recognition has been a very active research topic in computer vision in general and biometrics in particular for around 60 years. The research community's ongoing interest has been marked by the development of a number of potential applications for facial recognition. The introduction of machine learning and deep learning into facial recognition systems has greatly improved their performance and robustness (up to 100% accuracy). A great deal of work has been done on facial recognition, ranging from standard algorithms such as principal component analysis (PCA) and local binary patterns (LBP) to the most recent DL methods such as convolutional neural networks (CNN). Some applications of facial recognition based on ML and DL will be presented during this conference. 

Sessions: 

Elvire Eléonore HOUSSOU | 2h00 

Elvire Eléonore HOUSSOU | 2h00 

Elvire Eléonore HOUSSOU | 2h00 

Elvire Eléonore HOUSSOU | 2h00 

Mme Rosa Maria PARDO SAN GIL

This course covers Numerical Methods for solving ODEs and PDEs such as Finite Differences and Finite Elements for linear ODEs and elliptic, Parabolic and Hyperbolic PDEs. It will include hands-on programming. It also cover Numerical Methods for solving ODEs and PDEs such as Finite Differences and Finite Elements for linear ODEs and elliptic, Parabolic and Hyperbolic PDEs. This could include hands-on programming. I would give problem sets to the students, to be solved using mathematical thinking together with programming. Some problems could be drawing the Mandelbrot Set, Sierpinski Triangle, Monte Carlo Methods, simulating Markov Chains, applied problems involving ODEs (to be modelled and solved with Euler's Method), and a list of other creative tasks which can vary depending on their current level. 

Sessions: 

Rosa Maria PARDO SAN GIL | 2h00 

Rosa Maria PARDO SAN GIL | 2h00 

Rosa Maria PARDO SAN GIL | 2h00 

Rosa Maria PARDO SAN GIL | 2h00