Atelier T7.A05 : Prototypage rapide de modèles prédictifs dans l'environnement collaboratif du centre de données scientifiques de Paris-Saclay (RAMP): **séries temporelles (Sea ice, El Nino)**
RAMP (Rapid Analytics and Model Prototying)
PORTEURS
Balazs Kegl (IN2P3,Paris-Saclay)
MOTS CLES :
pydata (numpy, pandas, scikit-learn), analyse de données, solutions prédictives, apprentissage automatique, machine learning, prototypage collaboratif, workflow, enseignement-formation, hackathons
OBJECTIF :
Se former à la science des données. Apprendre à construire collaborativement un algorithme prédictif par amélioration de workflows existants et d'enrichissement de solutions existantes par des sprints de codage. Divers jeux de données, de cas d'étude et de codes disponibles.
DESCRIPTION :
Le centre de données scientifiques de Paris Saclay (PSCDS) offre une plate-forme pour des challenges de données et RAMP, plus d'information
Pour les “data scientists” en herbe ou chevronnés.
2 sessions peuvent être faite à la suite ou indépendantes sur les sujets suivants ou d'autres: * reconnaissance d'image d'insecte (donc deep learning) * séries temporelles (Sea ice, El Nino) * cas complexe (drug spectra ou HEP anomaly) * …
PREREQUIS :
Python, les prérequis sont l'ecosysteme pydata (numpy, pandas, scikit-learn).
The course will require that you develop code in Python. We strongly suggest that you start preparing. You should have a complete Python environment setup on your machine on the first day of the course. We recomment to use Anaconda (https://www.continuum.io/downloads). In includes all required libraries. Here are some necessary resources: numpy, pandas, scikit-learn, xarray. Scikit-learn web site is also a great resource to brush up on your ML skills. The following tutorials are recommended to learn more about pandas and scikit-learn:
http://scikit-learn.org/stable/tutorial/basic/tutorial.html
PORTEURS
Balazs Kegl (IN2P3,Paris-Saclay)
MOTS CLES :
analyse de données, solutions prédictives, apprentissage automatique, machine learning, prototypage collaboratif, workflow, enseignement-formation, hackathons
OBJECTIF :
Se former à la science des données. Apprendre à construire collaborativement un algorithme prédictif par amélioration de workflows existants et d'enrichissement de solutions existantes par des sprints de codage. Divers jeux de données, de cas d'étude et de codes disponibles.
DESCRIPTION :
Le centre de données scientifiques de Paris Saclay (PSCDS) offre une plate-forme pour des challenges de données et RAMP, plus d'information
Pour les “data scientists” en herbe ou chevronnés. 2 sessions peuvent être à la suite ou indépendantes sur les sujets suivants ou d'autres:
- reconnaissance d'image d'insecte (donc deep learning)
- séries temporelles (Sea ice, El Nino)
- cas complexe (drug spectra ou HEP anomaly)
- …
PREREQUIS :
Python, les prérequis sont l'ecosysteme pydata (numpy, pandas, scikit-learn).
The course will require that you develop code in Python. We strongly suggest that you start preparing. You should have a complete Python environment setup on your machine on the first day of the course. We recomment to use Anaconda (https://www.continuum.io/downloads). In includes all required libraries. Here are some necessary resources: numpy, pandas, scikit-learn, xarray. Scikit-learn web site is also a great resource to brush up on your ML skills. The following tutorials are recommended to learn more about pandas and scikit-learn:
http://scikit-learn.org/stable/tutorial/basic/tutorial.html
