[Colloque] Basics of Machine Learning for experimental sciences

Cet été, la Graduate School Chemistry a organisé des événements pluridisciplinaires destinés à développer les connaissances et les compétences des étudiant·es en master 2, chercheur·es, (post)doctorant·es de l’université, venant de tout horizon dans le domaine de la science.

Des conférences internationales favorisant le développement des connaissances

Le Machine Learning (apprentissage automatique) est une technologie devenue incontournable ces dernières années. Il s’agit d’une technologie d’intelligence artificielle ayant pour objectif d’analyser et d’interpréter des modèles et des structures de données afin de permettre l’apprentissage, le raisonnement et la prise de décision sans interaction humaine. Cette méthode permet de réaliser des prédictions à partir de données précises et ainsi faciliter la prise de décisions pour améliorer la performance au fil du temps.

Afin d’appréhender cette nouvelle méthode dans le domaine de la Science, la Graduate School Chemistry a organisé son premier colloque annuel sur le thème du “Machine Learning en Sciences Expérimentales” en partenariat avec le DiiP (Data Intelligence Institute de Paris).

C’est au travers de deux journée de conférences et de discussions que les participant·es ont pu appréhender les innovations positives de cette nouvelle méthode

• Le 12 juillet, l’objectif a été de fournir une vue d’ensemble des méthodes de Machine Learning développées et de leur utilisation dans les principaux domaines de recherche expérimentale tels que la biologie, la physique, la santé, l’environnement… L’objectif était de présenter les outils et leurs utilisations pour l’analyse de données classiquement rencontrées en science (analyse d’images, données statistiques, etc.) Les participant·es ont pu ainsi comprendre l’intérêt et les limites des méthodes et développer des collaborations avec les spécialistes du domaine.
• Le 13 juillet, la Graduate School Chemistry a organisé un atelier sur le thème : “Les applications pratiques de l’apprentissage automatique en chimie : perspectives et pièges.” L’objectif étant d’établir l’état de l’utilisation de l’apprentissage automatique dans les principaux domaines de la chimie (chimie moléculaire, chimie théorique, chimie atmosphérique, matériaux et nanomatériaux).