Paris Machine Learning Meetup #4 Season 2: Tips and advices for machine learning challenges, Biochemical Probabilistic Computation, Bias-variance decomposition in Random Forests

Here are the presentations for tonight's meetup of the Paris Machine Learning Meetup group. Most likely the presentations will be in spoken French. The presentation slides should be in English though. (Come back to this entry for more slides). Eventually, all slides/video links will be on the Paris Machine Learning Meetup archives. This is our 19th meetup in about a year and half. Our membership count is currently at 1562 and currently the second largest Machine Learning meetup outside the U.S. We struggle with finding adequate sized meeting rooms to the point that we have to schedule our meetups during NIPS2014 :-)

ANEO (http://aneo.eu/) is sponsoring this meetup #4 of season 2. A big Thank You to them.

There will be one remote presentation by Gilles Louppe who will be doing it from Switzerland.

[Related links (Meetup.com to register, LinkedIn to post jobs, Google+ for follow-on discussions, Twitter list of past speakers, #MLParis twitter hashtag)]

The video streaming:

 

Here are the speakers and their presentations

Gilles Louppe, Title: Bias-variance decomposition in Random Forests (Gilles' PhD thesis was featured earlier here on Nuit Blanche)

Abstract: Made popular thanks to its ease of use and good accuracy, Random Forests is certainly one of the most famous algorithms in machine learning. Its core principles consist in averaging the predictions of several randomized decision trees into a single model. In this talk, we propose to re-analyze the fundamental bias-variance decomposition of Random Forests and explain why the combination of averaging and randomization is indeed an effective strategy.

Arnaud de Myttenaere, Tips and advices for machine learning challenges

Abstract:

Arnaud présentera sa façon d'aborder les challenges de machine learning et comment minimiser la bonne métrique pour améliorer son score".

Pierre Bessière, “Biochemical Probabilistic Computation“

L'exposé rappellera tout d'abord quelques bases de "bayesian programming" et de ses utilisations en robotique, pour la modélisation du vivant et pour réaliser des applications industrielles. Nous aborderons ensuite la question de savoir si la nature et le système nerveux donne la capacité aux êtres vivants de faire des calculs probabilistes. Alors que beaucoup propose que les neurones et assemblées de neurones puissent être le support pour se faire, nous montrerons que la signalisation cellulaire elle même peut être vue comme faisant des calculs probabilistes élémentaires au niveau moléculaire. Cela suggère que la capacité de faire des inférences probabilistes est une caractéristique fondamentale des systèmes biologiques, depuis les unicellulaires jusqu'au cerveaux les plus complexes.

Jean-Pierre Malle , Titre : Situationnal Analysis Processors

Abstract : Les processeurs d’analyse situationnelle sont des machines apprenantes capables de reconnaitre des situations, d’anticiper et d’orienter les comportements des acteurs en situation. Ils disposent d’une collection d’instructions encapsulant des modèles de psychologie cognitive et psychosociologie ainsi que des algorithmes reproduisant des principes cognitifs et comportementaux y compris les biais cognitifs. Ces boites noires avec leur milliers d’instructions capables d’intervenir sur des treillis situationnels de plusieurs milliards d’informations permettent de bâtir rapidement des applications intégrant des dimensions humaines et sociales à grande échelle et dans tous les secteurs pour observer, prédire, alerter, évaluer, simuler, …

Nous verrons comment se représentent des situations, comment fonctionne un processeur, de quoi il est capable et comment on conduit un projet situationnel.

  Join the CompressiveSensing subreddit or the Google+ Community and post there !
Liked this entry ? subscribe to Nuit Blanche's feed, there's more where that came from. You can also subscribe to Nuit Blanche by Email, explore the Big Picture in Compressive Sensing or the Matrix Factorization Jungle and join the conversations on compressive sensing, advanced matrix factorization and calibration issues on Linkedin.