Programme :

Quels sont les grands axes du programme ? :

Axe 1 : Web des données, données liées et web sémantique pour la représentation des connaissances Axe 2 : Apprentissage automatique et science des données, l’enjeu de la préparation des données et de leur sémantisation Axe 3 : Méthode pour la recherche, cas d’études Axe 4 : Mise en œuvre technologiques (source et interopérabilité des données, architectures SOA/WOA/ROA, architecture de service versus architecture de données, intégration des toolkit de machine learning, chaîne de traitement, …)

Dans le cas où le projet est suffisamment avancé ou récurrent quel serait le programme prévisionnel ?

La dernière version du programme : http://devlog.cnrs.fr/apsem2018

• La problématique des sciences expérimentales : présentation de cas d'étude * Cas d'étude multi-domaines - Le nouveau paradigme de recherche par les données - Problématique de la modélisation des domaines/structuration des données avec les ontologies descriptives (LOD, LED) - Problématique de la préparation des données et de la robustesse de l'analyse statistique et de l'apprentissage automatique pour la prédiction

• Problématique et objectifs des journées: les évolution des pratiques de recherche autour des données (ex: l'utilisation de labibliographie, …)
• Présentation des cas d'étude
• Introduction de statistiques et de l'apprentissage: exploration et structuration des données massives. Différence corrélation/causalité, sélectionner un modèle
• Intro du web des données: les tendances et les enjeux : enrichir la recheerche d'information

Analyse statistique et de l'apprentissage automatique pour la prédiction

- Principes et toolkits - Leur interfaçage - Les outils de workflow

• Préparation des données
• Techniques de régularisation de son modèle : techniques algorithmique pour sélectionner son modèle
• Explication de l'apprentissage (ex: deep learning)

• Fondamentaux
• Peupler le web des données legacy
• Comment les moteurs de recherche utilse le web des données
• Comment une communauté peut enrichir son domaine (liage des données
• Structuration des données
• Recherche d'information: affiner les moteurs de recherche (schemas.org/ Google knowledg graph (requête structurée): fouille, représentation, …

Pour l'instant un premier découpage. Nous verrons si nous ne pouvons pas faire un découpage plus orientés sur les pratiques.

• Qualité des données
• Sélection des données d'apprentissage
• Annotation des outils d'apprentissages, contraintes, inputs etc.
• Provenance : annotation de l'exécution d'un workflow d'apprentissage avec inputs, algos utilisées etc.

Intérêt, représentation et usage des données orientées graphes. Quel langage pour manipuler les données graphes? Convertir le données graphe en un format pour l'apprentissage (matrices, …).

Utilisation des techniques d'apprentissage pour

• lier des jeux de données, aligner des ontologies
• traitement de langage naturel : extraction de connaissance structurée depuis du texte (Named-entity recognition, Named Entity linking)

Mise en œuvre technologiques (source et interopérabilité des données, architectures SOA/WOA/ROA, architecture de service versus architecture de données, intégration des toolkit de machine learning, chaîne de traitement, …)

• Cas d'étude: intégration de données hétérogènes - intégration de données bibliographiques dans les analyses - Gargantek -jdev2017.T2 - (TODO prendre contact)

- Qualité des données - Sélection des données d’apprentissage Intérêt, représentation et usage des données orientées graphes. Quel langage pour manipuler les données graphes? Convertir les données graphe en un format pour l'apprentissage (matrices, …).

Retour de Yves sur JDEV2017/t2:

• appariement , alignement des données, des ontologies
• analyse de tableau
• Gargantek : analyse bibliographique
• Statistique (Constantin) pour trouver les bons alignements:
• Alignement basés sur la connaissance à priori et par apprentissage (constantin)
• ⇒ approche mixe, comment réinjecter de la connaissance sous forme d'ontologie pour contraindre l'apprentissage

Mise en œuvre technologiques (source et interopérabilité des données, architectures SOA/WOA/ROA, architecture de service versus architecture de données, intégration des toolkit de machine learning, chaîne de traitement, …)

• STM - Corby JDEV2017.T2 http://devlog.cnrs.fr/_media/jdev2017/bpdp.zip?id=jdev2017%3At2&cache=cache : transformation des données graphes en dtableau (cf. Yves)
• Le cas du deep learning
• Le cas d'IndexMed

Exemple de cas d’étude : Explorer les relations entre la sémantique des données (structuration/modélisation des données d'enquête et/ou d'expérimentation) et les méthodologies d'apprentissage (algorithmes de fouille de données, techniques stochastiques de modélisation) en présentant les outils disponibles et au moins un exemple d'application à discuter par les participant(e)s.