Edito

Les avancées technologiques, l’omniprésence des capteurs et l’explosion des réseaux sociaux s’accompagnent d’un véritable déluge de données, propulsant les sciences de l’information au centre du processus de valorisation des « Big Data ». Le traitement statistique de ces masses de données convoque à la fois mathématiques appliquées et informatique à travers une discipline en plein essor : le Machine Learning. La variété des données disponibles, leur grande dimension et leur volumétrie rendent souvent inopérantes les méthodes statistiques traditionnelles. Le Machine Learning vise à élaborer et étudier des algorithmes permettant à des machines d’apprendre automatiquement à partir des données et à effectuer des tâches de façon performante.

La Chaire « Machine Learning for Big Data » a pour but de produire une recherche méthodologique répondant au challenge que constitue l’analyse statistique des données massives et d’animer la formation dans ce domaine à Télécom ParisTech. Créée en septembre 2013 avec le soutien de la Fondation Télécom, la Chaire est financée par cinq entreprises partenaires : Safran, PSA Groupe, Criteo, BNP Paribas ainsi que Valeo qui l'a rejointe en juin 2017. Elle est portée par le mathématicien Stephan Clémençon, enseignant-chercheur, Professeur au sein du département Image, Données Signal de Télécom ParisTech.

Derniers articles

Data Science « Haute couture » ou « Prêt à porter » ?

La data science qui se pratique lors des challenges de type Kaggle, ou la data science académique, diffère largement de la data science d’entreprise : au point qu’on pourrait les comparer respectivement à de la haute couture et à du prêt à porter. Cette dualité qui oppose machine learning de concours et machine learning en vie réelle n’est pas nouvelle, elle mérite cependant que l’on s’y attarde. Avec Christophe Bourguignat, CEO chez Zelros.

Lire la suite