APSEM 2018 Version 201711

• La problématique des sciences expérimentales: présentation de cas d'étude
• cas d'étude multi-domaine
• 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

• Faire émerger la structuration des données
• Faire émerger l'explicitation des algothmiques

• Principes et toolkits
• Leur interfaçage
• Les outils de workflow
• …

===== =====

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

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, …).

• Emergence de modèle : peut-on formaliser un modèle statistique par une ontologie descriptive, l'enrichir de méta-données explicative puis l'utiliser pour l'itération n+1 pour la régularisation (ex: images périodiques ⇒ annotation des images (à développer en intro)

• Aide à l'alignement des données

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)

⇒ et quelles sont leurs implémentations informatiques / mise en oeuvre ?)