Tutoriel : « Blockchain dans l'IoT »
Durée : 3h
Christian Esposito Esposito is currently an Associate Professor at the University of Salerno, since December 2022. He was a Tenured Assistant Professor at the University of Salerno, an Assistant Professor at the University of Napoli “Federico II”, and a two-year Research Fellow and short-term Researcher at the Institute of High Performance Computing and Networking (ICAR) of the Italian National Research Council (CNR) from 2011 to 2015. He graduated in Computer Engineering in 2006 and got his PhD in 2009, both at the University of Naples “Federico II”, in Italy.
He has published about 100 papers in international journals and conferences and has been a PC member or involved in the organization of about 60 international conferences/workshops. He regularly serves as a reviewer in journals and conferences in the field of distributed and dependable systems and is a member of the editorial board of the International Journal of Computational Science and Engineering and the International Journal of High-Performance Computing and Networking, both by Inderscience. He is an Associate Editor of the IEEE Access, and has served as guest editor for various special issues at international journals. His interests include positioning systems, reliable and secure communications, game theory and multi-objective optimization.
« Blockchain dans l'IoT »
Le cours proposé durera 4 heures, structuré comme suit :
Introduction sur la Blockchain (1 heure) : consensus distribué, hachage, architecture Ethereum, crypto-monnaies, portefeuilles numériques, jetons et NFT ;
Smart Contracts (1 heure) : introduction, modèle de programmation, Solidity, OpenZeppelin, DApp, vulnérabilités et attaques ;
Expérience pratique en programmation (2 heures) : introduction à Hyperledger FireFly, exemple de déploiement d'un contrat intelligent sur FireFly, implémentation de NFT et d'un cas d'utilisation de DApp, d'identité numérique et d'authentification.
Tutoriel : « Tendances de mise à l'échelle des algorithmes d'apprentissage automatique à la fouille des données massives : Cas de la classification de données volumineuses et déséquilibrées »
Durée : 3h
Sana Ben-Hamida, PhD in computer science, is an associate professor at Paris Nanterre University and an associate researcher at the computer science laboratory (LAMSDE) of Paris Dauphine University. Her teaching activities focus on structured and unstructured databases, data processing and machine learning. Her main research interests include Evolutionary Computation, Machine Learning, Learning from massive data and related applications. She’s co-author of the book “Evolutionary Algorithms” (Wiley), she has 5 chapter contributions and she has published over 30 papers in the aforementioned topics. She is member of the program committees of several international conferences and confirmed reviewer for the international journal of Applied Intelligence.
« Tendances de mise à l'échelle des algorithmes d'apprentissage automatique à la fouille des données massives : Cas de la classification de données volumineuses et déséquilibrées »
Ce tutoriel présente quelques solutions et tendances pour résoudre les difficultés rencontrées lors de l'entraînement d'un algorithme d'apprentissage automatique (MLA) sur un ensemble de données volumineuses. Il propose une taxonomie pour classer ces solutions en trois catégories : manipulation du traitement, manipulation de l'algorithme et manipulation des données. Certaines solutions issues des deux dernières approches sont ensuite détaillées et discutées pour la classification des données volumineuses et déséquilibrées.
L'approche de manipulation d'algorithme consiste à ajouter un paradigme d'apprentissage approprié au MLA. Ce tutoriel explique comment les paradigmes d'apprentissage actif (Active Learning ) et l’apprentissage d'ensemble (Ensemble Learning) peuvent réduire le coût d'apprentissage et augmenter l'efficacité du MLA lorsqu'il s'agit de traiter des données volumineuses. Par ailleurs, nous présentons comment ces deux paradigmes pourraient être combinées avec des solutions de manipulation de données, notamment l’échantillonnage et l’augmentation par des données synthétiques SMOTE), pour prendre en compte le problème du déséquilibre des classes.
Des lignes directrices sont données sur la façon de mettre en œuvre les solutions discutées sur deux MLA afin de classer un ensemble de données volumineux et déséquilibré en utilisant des bibliothèques python telles que scikit-learn, imbalanced-learn et modAL.
Supports : Un support de présentation sera mis en disposition, ainsi qu’un classeur (Notebook) contenant le code Python des exemples d’application ainsi qu’un texte explicatif de chaque cas.
Tutoriel : « Thinking BIG »
Durée : 1h
Dr. Lilia Sfaxi est titulaire d'un diplôme d'ingénieur en génie logiciel de l'université de Carthage, INSAT. Elle est également titulaire d'un doctorat en informatique en cotutelle entre l'université de Grenoble (Laboratoire Verimag) et l'université de Tunis el Manar (Laboratoire LIP2). Elle est actuellement maître assistante à l'INSAT, dans le département Informatique et Mathématiques, et membre du laboratoire LIPSIC de la Faculté des Sciences de Tunis. Elle enseigne plusieurs cours, comme la Business Intelligence, la conception et le développement de mobiles, le génie logiciel et les architectures logicielles. Mais son intérêt réel réside dans le domaine du Big Data, qu'elle enseigne dans son institut, et dont elle se spécialise dans ses activités de recherche, qui portent sur (entre autres) les architectures, méthodologies, meilleures pratiques et sécurité dans les systèmes Big Data.
« Thinking BIG »
« Data is the new oil » . Une citation répandue et expressive, mais qui laisse la plupart des gens perplexes. Oui mais après? Qu’est-ce que le Big Data? Est-ce une notion, une technologie, ou juste un « buzz word » comme beaucoup semblent le croire? Je pense que le Big Data est tout d’abord une manière de penser, c’est pour cela que ma présentation s’intitule « Thinking Big». Avant tout, il va falloir changer notre manière de percevoir les systèmes d’information classiques pour pouvoir aborder les systèmes Big Data. De nouveaux principes entrent en vigueur, qui risquent de perturber tous ces acquis que nous avons accumulés toutes ces années dans le domaine de l’informatique. L’objectif de ma présentation est donc de pousser à la réflexion : comment passer de la conception classique, au Thinking Big?
Raphael Couturier, Professeur, Vice-président en charge du Numérique, Université de Franche-Comté
· Tutoriel : « Intelligence Artificielle, Deep Learning »
Durée : 3h
Raphaël Couturier received his Ph.D. degree in computer science from the University of Nancy I, Nancy, France, in 1997. He worked as an Assistant Professor at the University of Franche Comté, IUT Belfort-Montbéliard, Belfort, France, from 2000 to 2006. Since 2006, he has been working as a Full Professor at the same university. Main research topics: deep learning, artificial intelligence, security, distributed algorithms, iterative methods, synchronous and asynchronous iterative algorithms, wireless sensor networks.
« Intelligence Artificielle, Deep Learning »
Après une très rapide présentation de l'IA, des réseaux de neurones et de quelques applications. Nous verrons comment entrainer dans la pratique un réseau de neurones pour effectuer quelques applications pratiques pour les chercheurs :
-la prédiction de série temporelle
-la classification d'images avec un modèle simple
-la classification d'images avec un modèle plus évolué
-la manipulation de texte
L'objectif est de montrer des exemples qui fonctionneront sur une machine portable "un peu musclé" mais pas un datacenter.
Les participants auront accès aux codes permettant de lancer ces exemples.