Porquerolles, du 18 au 22 Juin 2018

Le thème de l'école ResCom 2018 (la 13ème édition) est la « science des données » avec comme sous thème la science des réseaux et l’apprentissage (Data science, Network Science and Machine Learning).

Il y a un besoin fort au sein de notre communauté de monter en compétence sur ces domaines prépondérants et incontournables qui sont en rapide évolution et qui touchent plusieurs domaines scientifiques.

Grâce à la synergie entre le GDR MaDICS et le GDR RSD, nous offrons une proposition conjointe d'école de recherche CNRS à destination des jeunes chercheurs des deux communautés et ce, dans un fort esprit d’interdisciplinarité.

L'école abordera deux axes fondamentaux :
- la fouille de données : L’école donnera les fondamentaux théoriques, méthodologiques et pratiques de la fouille de données afin d’aborder les problématiques et les techniques algorithmiques liées à la collecte, l’exploration, la visualisation et l’analyse de grande masse de données multivariées. Une attention particulière sera mise sur la notion de données en “réseau”. En effet, les relations/liens existants entre les données sont une source précieuse d’information pour l’analyse.
- les méthodes d’apprentissage : L’école abordera notamment les questions d'apprentissage supervisé ou non supervisé, d’apprentissage profond, de méthodes à noyaux. Une attention particulière sera mise sur l'apprentissage sur les réseaux avec des problèmes comme la détection de communautés ou d’autres approches non supervisées qui prennent en compte les relations/liens existants entre les données.

Aperçu du programme

Jour #1
 




Jour #1

  • Cours 1 -- partie 1 : Introduction au Network Science (NS) par Laetitia Gauvin

  • Cours 2 -- Partie 1 : Introduction au Machine Learning (ML) par Guillaume Obozinski

  • Présentation du Hackathon / Formation des équipes pour le challenge
Jour #2
 




Jour #2

  • Cours 3 -- Partie 1 : Introduction au Data Science (DS) par Michalis Vazirgiannis
  • Cours 1 -- Partie 2 : Travaux pratiques NS
  • Cours 2 -- Partie 2 : Cours avancé sur ML
  • Posters
  • "Loyauté/transparence des algorithmes et des données" par Nataliia Bielova
Jour #3
 




Jour #3

  • Cours 3 -- Partie 2 : Cours avancé sur DS
  • Cours 2 -- Partie 3 : Travaux pratiques ML
  • "Analyse des média sociaux" par Jean-Philippe Cointet
Jour #4
 




Jour #4

  • Cours 4 -- Partie 1: ML on Networks par Tina Eliassi-Rad
  • Cours 5 -- Partie 1: Théorie du DS par André Panisson
  • Cours 5 -- Partie 2 : Travaux pratiques sur DS
  • Cours 4 -- Partie 2 : Travaux pratiques sur ML
Jour #5
 




Jour #5

  • Cours 5 -- Partie 3 : Travaux pratiques sur DS
  • Présentation des projets Hackathon
  • Remise de prix du Hackathon
Posters & Hackathon
 




Posters & Hackathon

  • Une présentation en 3 minutes est obligatoire pour tout jeune chercheur (2nd année de thèse à thése +3)
  • La participation au hackathon est optionnelle. Un prix sera remis le dernier jour à la meilleure équipe. Les modalités de participation sont décrites dans le menu hackathon.

Intervenants

Nataliia Bielovar Nataliia Bielovar (Inria / Indes)
Nataliia Bielovar is a a full-time Research Scientist (CR) at Inria Sophia Antipolis in the INDES team. She is interested in a wide range of computer security and privacy problems. She is working on: Privacy protection on the Web; Web tracking technologies; Web transparency measurements; ePrivacy regulation; Web application security; Information flow control; Runtime monitoring
Jean-Philippe Cointet Jean-Philippe Cointet (Sciences Po -- Media Lab)
Jean-Philippe Cointet has recently joined Sciences Po médialab where he works on the development of innovative computational sociology methods. Prior to his arrival, he participated in various quali-quantitative research projects including social media analysis (Facebook, public comments), science dynamics (oncology collective thoughts (CIHR project), synthetic biology emergence), political processes (political discourses, climate change negotiations). He also designs the CorText platform. He holds a PhD in Complex Systems and was trained as en engineer at Ecole Polytechnique. He also is an adjunct research scholar at INCITE, Columbia University.
Tina Eliassi-Rad Tina Eliassi-Rad (Northeastern University)
Tina Eliassi-Rad is an Associate Professor of Computer Science at Northeastern University. She is also on the faculty of the Network Science Institute. Prior to joining Northeastern, Professor Eliassi-Rad was an associate professor of computer science at Rutgers University; and before that a member of technical staff and principal investigator at Lawrence Livermore National Laboratory. She earned her PhD in Computer Sciences (with a minor in mathematical statistics) at the University of Wisconsin-Madison. Her research is rooted in data mining and machine learning; and spans theory, algorithms, and applications of massive data from networked representations of physical and social phenomena. Professor Eliassi-Rad’s work has been applied to personalized search on the World-Wide Web, statistical indices of large-scale scientific simulation data, fraud detection, and cyber situational awareness. Her algorithms have been incorporated into systems used by the government and industry (e.g., IBM System G Graph Analytics) as well as open-source software (e.g., Stanford Network Analysis Project). In 2010, she received an Outstanding Mentor Award from the US DOE Office of Science.
Lætitia Gauvin Lætitia Gauvin (ISI Foundation · Data Science Lab)
Laetitia Gauvin is Principal Researcher at the Institute for Scientific Interchange in the Data Science LAB of Turin, Italy. Her primary line of research examines Data Science, Complex Networks, Social Media and Urban Systems.
Guillaume Obozinski Guillaume Obozinski (Ecole des Ponts - ParisTech)
Guillaume Obozinski is a research faculty at Ecole des Ponts - ParisTech, in the Imagine team of the Laboratoire d'Informatique Gaspard Monge. He is also associate member of the Sierra Inria team, in the Laboratoire d'Informatique de l'Ecole Normale Supérieure. His primary line of research examines Machine Learning and its applications.
André Panisson André Panisson (ISI Foundation -- Data Science Lab)
André Panisson is Principal Researcher at the Institute for Scientific Interchange in the Data Science LAB of Turin, Italy. His primary line of research examines Data Science, Complex Networks, Social Media and Urban Systems.
Michalis Vazirgiannis Michalis Vazirgiannis (École Polytechnique, LIX)
Michalis Vazirgiannis is a Professor in LIX, École Polytechnique. His current research interests are in the area of bigdata mining – aiming at harnessing t he potential of machine learning algorithms for large scale data sets including text and graphs. More specifically his current work is on graph degeneracy for large scale graph mining, graph based text retrieval, learning models from time series data and text mining for the web (i.e. advertising, news streams).