|
La reconstruction du réseau: la contribution des défis en Machine Learning| old_uid | 15133 |
|---|
| title | La reconstruction du réseau: la contribution des défis en Machine Learning |
|---|
| start_date | 2015/02/20 |
|---|
| schedule | 15h-17h |
|---|
| online | no |
|---|
| location_info | salle 2 |
|---|
| summary | Les réseaux d'influence se retrouvent à tous les niveaux des systèmes physiques, biologiques et sociaux: réseaux climatiques, réseaux de gènes, réseaux de neurones, et réseaux sociaux en sont quelques exemples. Ces réseaux ne sont pas seulement descriptifs d’un «état de la nature», ils nous permettent de faire des prédictions telles que la prévision des conditions météorologiques, l'évaluation de l'effet possible d'un médicament, la localisation d’un foyer épileptique, et la prévision de la propagation des épidémies. Ceci nous permet alors d'intervenir pour obtenir les résultats souhaités: évacuer les populations d'une région avant qu’elle soit frappée par un ouragan, administrer un traitement, vacciner, etc. Mais la connaissance de la structure du réseau est une condition préalable à l’application de ces méthodes, et cette structure peut être très difficile et coûteuse à obtenir avec des moyens traditionnels. Par exemple, la communauté médicale s’appuie sur les essais cliniques, qui coûtent des millions de dollars; la communauté des neurosciences analyse des images de microscopie électronique, ce qui prend des années avant d'établir la connectivité de 100 neurones (alors que le cerveau en contient des milliards). Cette présentation examinera les avancées qui ont été faits dans les méthodes de reconstruction de réseaux fondées uniquement sur des données d'observation. De grands progrès ont été récemment réalisés grâce à l'apprentissage des machines (machine learning). Nous analyserons les résultats de plusieurs défis que nous avons organisés, qui pointent vers de nouvelles méthodes simples et pratiques. |
|---|
| responsibles | Berestycki, Nadal |
|---|
| |
|