Les tutoriels auront lieu dans la salle virtuelle "A" aux horaires indiqués sur le programme général :
L’extraction de connaissances dans les bases de données - ou fouille de données - a pour objectif la découverte d’informations pertinentes, à partir de données brutes, généralement pour les présenter à un expert du domaine dont sont issues les données. Une étape centrale de ce processus est l’extraction de motifs, un motif exprimant une relation entre les données. L’utilisation de contraintes est très répandue pour indiquer le type de motifs à extraire afin de cibler le processus d’extraction suivant les centres d’intérêt de l’utilisateur. Malgré la popularité de la fouille de données, il reste néanmoins difficile de développer des applications qui intègrent des techniques de fouille de données. En effet, la plupart des travaux se concentrent sur le développement d'algorithmes spécialisés pour résoudre des tâches particulières plutôt que sur le développement de principes et de cadres génériques. La Programmation Par Contraintes (PPC) ou le problème de satisfiabilité booléenne (SAT) offrent un cadre générique pour modéliser et résoudre les problèmes d’extraction de motifs en fouille de données. L’utilisation de la PPC / SAT pour la découverte de motifs en fouille de données est un domaine de recherche actif. Un des principaux atouts de ces deux approches est que l’utilisateur spécifie le problème d’extraction de motifs sous forme déclarative et laisse le soin au solveur de calculer l’ensemble complet des solutions du problème.
L’objectif de ce tutoriel est de montrer comment les approches déclaratives basées sur la PPC / SAT peuvent être exploitées pour résoudre des tâches complexes posées en fouille de données. Nous passerons en revue les différents travaux récents sur l'application de la PPC / SAT pour certaines tâches bien connues en fouille de données.
Nadjib Lazaar received a PhD degree in computer science from University of Rennes 1, France, in 2011. Following his PhD, he worked as an INRIA postdoctoral researcher at INRIA-Microsoft Research Joint Center Paris-Saclay till September 2012. In 2012/2013, he worked as postdoctoral researcher at the European ICON project FP7 FET-Open in Montpellier, France. Since 2013, he is a tenured assistant professor at the University of Montpellier, and a co-head of the COCONUT team at LIRMM lab. In 2019/2020, he was assigned to CNRS for one-year full time. His research interests are situated at the crossroads of Constraint Programming (CP), Data Mining (DM), Machine Learning (ML) and Software Engineering (SE). In particular, He is interested in developing techniques and tools for: Constraint Acquisition; Declarative Data Mining; Software Verification and Validation via Artificial Intelligence.
Samir LOUDNI received a PhD degree in computer science from University of Nantes, France, in 2002. From 2003 to 2020, he worked as assistant professor at the University of Caen Normandy. Since 01/2020, he is Full Professor at Institut Mines-Télécom Atlantique, member of TASC team at LS2N lab. His research interests are situated at the crossroads of Constraint Programming (CP), Data Mining (DM) and Discrete Optimization (DO). In particular, He is interested in developing techniques and tools for Declarative Data Mining; Iterative/user-centric mining models.
Le Reservoir Computing (RC) est un paradigme d’apprentissage automatique sur des données séquentielles dans lequel les dynamiques temporelles non-linéaires sont centrales, et le coût computationel réduit par rapport à d’autres réseaux de neurones récurrents. Ce tutoriel aborde la théorie du RC au travers de son application la plus connue : l’utilisation des Echo State Networks pour le traitement, la prédiction et la production de séries temporelles, à l’aide de l’outil Python ReservoirPy.
Le tutoriel sera composé de deux exposés ouverts aux questions/réponses durant les présentations :
Xavier Hinaut est chargé de recherche à Inria Bordeaux Sud-Ouest depuis 2016, dans l’équipe Mnemosyne (Neurosciences Computionnelles). Il a soutenu son doctorat à l’Université de Lyon en 2013. Il utilise le Reservoir Computing dans ses recherches depuis une dizaine d’années, il enseigne sur ces thématiques depuis plusieurs années, à Bordeaux et à Hambourg (Allemagne) notamment. Ses thématiques de recherches sont liées à la modélisation du traitement, de l’apprentissage et de la production de séquences dans le cerveau, notamment le langage et les chants d’oiseaux. Il modélise également certaines fonctions cognitives de haut niveau (comme la mémoire de travail) et applique ses modèles de langage aux interactions homme-robot dans la perspective d’ancrer le langage à travers l’interaction du robot avec le monde réel.
Nathan Trouvain est ingénieur de recherche à Inria Bordeaux Sud-Ouest depuis 2020, dans l’équipe Mnemosyne également. Il est actuellement le principal développeur de la bibliothèque ReservoirPy. Il enseigne la pratique des techniques d’apprentissage automatique dans le master « Ingénieur spécialité Cognitique » de l’École Nationale Supérieure de Cognitique (ENSC)
La boîte à outils des Data Scientists modernes contient une grande variété d'instruments, à la fois génériques et spécialisés. Tous ces instruments peuvent être utilisés pour analyser et extraire des connexions à partir de données numériques. La théorie garantit que les modèles résultants refléteront les corrélations existantes, mais pas les relations causales. Dans le même temps, dans de nombreuses applications, nous voulons découvrir les relations causales.
Ce tutoriel vise à discuter des conditions dans lesquelles la corrélation implique une causalité et à présenter la direction de recherche qui étudie ces conditions sous une forme générale – l'apprentissage causal (Causal learning).
Marharyta Aleksandrova (https://www.linkedin.com/in/marharyta-aleksandrova-8b567245/) est actuellement une chercheuse post-doctorat à l'Université du Luxembourg. En 2017, elle a terminé ses études doctorales dans le cadre d’une cotutelle entre l'Université de Lorraine (France) et l'Université Nationale Technique d'Ukraine «Igor Sikorsky Kyiv Polytechnic Institute» (Ukraine). Marharyta a été exposée à diverses applications de la science des données et a travaillé sur plusieurs projets de recherche européens et nationaux.
Domaines d’intérêts : analyse de données, systèmes de recommandation, application de méthode de fouille de données à la sécurité, théorie de l'apprentissage automatique (apprentissage causal, apprentissage conforme), optimisation génétique.
This tutorial covers the theoretical foundations of multi-agent, exible, temporal, epistemic and contingent aspects of planning (decentralized partially observable Markov decision processes, dynamic epistemic logic, temporal planning). The tutorial relies on pedagogical tools Hintikka's world (http://hintikkasworld.irisa.fr/) and TouIST (https://www.irit.fr/touist/).
Outline:
Aurélie Beynier is an associate professor with Habilitation at Sorbonne Université (Paris, France). Her research interests are in coordination, distributed decision-making and multi-agent planning. Her work has focused on Markovian models for decentralized sequential decision-making in uncertain and partially observable environments. She published several papers on Decentralized Markov Decision Processes in main conferences and journal such as AAMAS, AAAI, JAAMAS and Autonomous robots. She has served as a SPC on these topics for IJCAI (each year since 2016) and ECAI 2020. She is also a PC member of AAMAS, AAAI and ECAI. For five years, she has given a course on Multiagent Planning under uncertainty to Master students at Sorbonne. She has been recently recruited to give the same course at the University of Paris. She gave two tutorials on Decentralized Markov Decision Processes at the MAFTEC working group.
Frédéric Maris is associate professor at Université Paul Sabatier (France). His research interests cover, in particular, planning and the complexity-theoretic and algorithmic aspects of reasoning. He recently worked on temporal aspects and complexity of planning, compilation of temporal problems, simple models of epistemic planning, temporal epistemic planning, and QBF encodings for planning. He heads the MAFTEC working group of the "GDR IA" (CNRS research group) on Multi-Agent, Flexible, Temporal, Epistemic and Contingent planning together with Andreas Herzig. He has given courses to Master students at Université Paul Sabatier, on temporal planning for the last four years, and on constraints and planning for the last three years. He also gave a tutorial on temporal planning, constraints and tractable classes at the MAFTEC working group.
François Schwarzentruber is associate professor at ENS Rennes (France). His current research interests are mainly focused on theory and applications of logic to artificial intelligence, agency and multi-agent systems and computer science. He has been a PC member of some editions in that topics such as AAMAS and IJCAI. He was reviewer for journals such as Synthese, Studia Logica, Theoretical Computer Science. Since 2011, his research mainly focuses on studying dynamic epistemic logic.
La théorie algorithmique de l'information (TAI) est née il y a soixante ans, créée par de grands mathématiciens comme Andrei Kolmogorov et des pionniers de l'intelligence artificielle comme Ray Solomonoff. Tout traitement intelligent passe par la recherche de la description la plus concise. L’apprentissage automatique revient par exemple à comprimer les données (par ex. en prédisant les étiquettes) selon un principe MDL (taille de description minimale). Un apprentissage idéal guidé par la TAI pourrait fonctionner sans hyper-paramètres. Nous montrerons aussi comment la TAI s’applique aux aspects cognitifs de l’IA.
Ce tutoriel abordera notamment les points suivants :
Jean-louis Dessalles (www.dessalles.fr) est Maître de Conférences à Telecom-Paris (Institut Polytechnique de Paris). Il travaille sur la modélisation du langage et de ses conditions d’émergence. Il est l’auteur de la Théorie de la Simplicité (www.simplicitytheory.science ) qui est une déclinaison de l’information algorithmique en modélisation cognitive. Il prépare un MOOC sur l’information algorithmique (à paraître en juillet 2021).
Le but de ce tutoriel est d’étudier les différents modes de communication FIPA entre agents. Il s’agit ici d’agents à gros grain, possédant rôles, reliés à des services, utilisant un mécanisme de boite aux lettres. Différents types de communication sont possibles : directs et nommés, par broacast, via des protocoles pré-définis. Dans ce tutoriel, des agents sont créés pour gérer les échanges entre des voyageurs et des services d’informations sur des voyages.
Ces agents seront développés en Java, avec la plateforme JADE (https://jade.tilab.com).
Programme détaillé :
Une partie du code et des librairies présents sur cette page pourra être utilisée : https://emmanueladam.github.io/jade/
Emmanuel Adam est Maître de Conférences depuis 2003 dans le Département d’Informatique du LAMIH (UMR CNRS 8201) de l’UPHF (Université Polytechnique des Hauts-De-France), ses recherches visent l’utilisation d’organisation agents au sein d’organisations humaines et de systèmes complexes. Plus précisément ses travaux concernent les organisations multi-agent holoniques : organisations multi-agent multi-niveaux flexibles, où chaque élément est libre de choisir ses actions pour atteindre son but individuel tout en étant contraint par la nécessité de l’organisation d’atteindre son but collectif. La notion d’auto-adaptation des agents dans un but de robustesse et de coopération est essentielle à ce type d’organisation. Il enseigne les notions de base de l’IA ainsi que la définition et l’utilisation de réseaux de neurones, logique floue, algo génétique, A*, … aux étudiants de Master 1 depuis 15 ans; et la programmation agent au travers de la plateforme Jade, utilisé pour ses projets de recherche, depuis plusieurs années également.