HtmlToText
carmablog agilité, développement java, nouvelles technologies et plus… rss accueil management programmation agile technologie linux evénement app android contact a propos de l'auteur english francais devoxx uk 2018 – jour 2 fabian piau | mercredi 6 juin 2018 - 11:52 imprimer twitter linkedin facebook google english version available cette année, j’ai assisté aux 2 jours de la conférence devoxx uk à londres les 10 et 11 mai. cet article est un résumé des notes que j’ai prises pendant le deuxième jour. vous pouvez lire l’article précédent à propos du premier jour . et si vous souhaitez obtenir plus de détails sur un talk, vous pouvez regarder la vidéo associée. devoxx uk a eu lieu au business design centre à londres deep learning: the future of artificial intelligence, avec matthew renze par le passé, nous devions programmer un ordinateur de manière explicite, étape par étape, pour résoudre un problème (impliquant des instructions if-then, des boucles et d’autres opérations logiques). a l’avenir, les machines vont apprendre à résoudre un problème par elles-mêmes, nous devons juste leur fournir les données. qu’est ce que le deep learning? deep learning (apprentissage en profondeur en bon français) est une forme d’intelligence artificielle (ia) qui utilise un type de machine learning (ml) appelé réseau neuronal artificiel constitué de plusieurs couches cachées pour tenter d’apprendre les représentations hiérarchiques des données sous-jacentes afin de faire des prédictions sur des données nouvelles. l’apprentissage automatique (ou machine learning) est essentiellement l’utilisation des statistiques appliquées aux problèmes de l’intelligence artificielle. nous enseignons aux machines la résolution de problèmes en identifiant des modèles statistiques à partir des données. utilisation de données (existantes) -> pour apprendre une fonction -> afin d’effectuer une prédiction (sur des nouvelles données) un réseau de neurones est un algorithme ml basé sur une approximation très grossière de la façon dont nous pensons que le cerveau et les neurones fonctionnent (le cerveau est toujours une boîte noire pour les scientifiques). un neurone artificiel prend un ensemble d’entrées, applique une fonction pour produire un ensemble de sorties. nous représentons ce neurone mathématiquement (c’est-à-dire que les entrées et les sorties sont des nombres) dans le but de l’utiliser dans un modèle de calcul. un réseau de neurones est composé de plusieurs neurones organisés en différentes couches: la couche d’entrée (les données que nous fournissons), 1 ou plusieurs couches cachées et la couche de sortie (la prédiction). un réseau neuronal profond (deep neural network) a plus d’une couche cachée. l’utilisation de plus d’une couche cachée permet principalement de modéliser une fonction beaucoup plus complexe qu’avec une simple couche. un exemple de deep learning un exemple de réseau neuronal profond est un modèle de reconnaissance de personne basé sur une image. les couches cachées inférieures représentent des formes abstraites comme les primitives géométriques (par exemple, les lignes horizontales et verticales) tandis que les couches intermédiaires représentent des entités plus complexes comme des parties spécifiques du corps (bouche, nez, oeil, etc.), le visage est représenté dans les couches cachées les plus hautes, pour être en mesure d’identifier la personne. la précision augmente lorsque nous approchons de la dernière couche pour finalement être en mesure de faire une prédiction. pourquoi parlons-nous de deep learning seulement maintenant? après tout, le premier algorithme ml perceptron a été créé en 1957, il y a plus de 60 ans! nous vivons à l’ère du big data. au cours des deux dernières années, nous avons créé plus de données que pendant toute l’histoire humaine. nous n’avons jamais eu autant de données disponibles, ces données sont essentielles pour entraîner des modèles complexes. les ordinateurs n’ont jamais été aussi puissants: des processeurs plus rapides, plus de mémoire, des disques ssd. nous pouvons aussi tirer parti de la puissance de calcul des gpu, les opérations matricielles sont nécessaires pour les graphismes des jeux vidéo, mais aussi pour le ml. nous avons également accès à des technologies de calcul distribué où nous pouvons partager le traitement de données entre plusieurs machines. que pouvons-nous faire avec le machine learning? classification. nous voulons prédire une variable discrète qui ne peut prendre qu’un certain nombre de valeurs. est-ce un chat ou un chien? cet email est-il un spam ou non? est-ce que cette personne a un cancer ou pas? quelle est la catégorie de cet article? régression. nous voulons prédire une variable continue qui a un nombre infini de valeurs possibles. a quel prix devrais-je vendre cette maison? quel est le niveau de risque crédit pour ce demandeur? génération de texte. générer le titre d’un article, la description d’une image en fonction de son contenu, convertir la voix en texte pour du sous-titrage automatique. génération d’image. simuler le vieillissement du visage, peindre un nouveau rembrandt que même un expert ne pourrait pas identifier comme un faux, créer des célébrités qui semblent familières, mais qui n’existent pas, créer une image basée sur une description textuelle . génération audio. mettre en relation un algorithme et un humain lors d’un appel téléphonique (google duplex), éditer votre voix en fonction d’un texte pour éviter de refaire un enregistrement dans le cas d’une erreur dans votre speech. génération de vidéos. basé sur des rushes de vidéos et d’audios de barack obama, créer une nouvelle vidéo avec une synchronisation labiale gérée par l’ia . si vous avez examiné plus en détail certains des exemples ci-dessus, vous avez probablement eu du mal à faire la différence entre un contenu réel et un contenu généré par ordinateur. c’est assez effrayant quand on y pense et on peut à peine imaginer comment ça sera dans 10 ans! comment puis-je commencer si je veux faire du ml dans mon entreprise? option 1 – deep learning as a service (google cloud, aws, microsoft cognitives, ibm watson…) cela implique qu’une société tierce possède le modèle et les données. vous pouvez interroger leur api avec vos nouvelles données afin de faire une prédiction. cette option est utile pour les cas d’utilisation restreints, si vous ne souhaitez pas réinventer la roue et utiliser un modèle déjà entrainé. pour: simple, rapide, peu coûteux contre: restriction sur les usages, éloigné (par exemple, vous n’êtes pas protégé contre les pannes de réseau ou la latence), paiement à l’usage (si votre utilisation augmente, le coût également) option 2 – deep learning platform (microsoft azure, cognitive services…) cette option est utile pour les cas d’utilisation personnalisés. vous uploadez vos données pour entraîner le modèle (transfert d’apprentissage), puis vous pouvez interroger une api pour obtenir vos prévisions. pour: simple, rapide, peu coûteux contre: vous avez besoin de données d’entraînement pour entraîner votre modèle, éloigné, paiement à l’usage (par transaction pour la prédiction, mais aussi les transactions liées à l’entraînement) option 3 – do it yourself (tensorflow, torch…) a utiliser si les options 1 et 2 ne suffisent pas. vous créez votre propre algorithme à partir de zéro, fournissez les données et vous l’hébergez vous-même. pour: personnalisé (vous pouvez optimiser et tuner le modèle comme vous l’entendez), local, privé (au cas où vous avez affaire à des données sensibles) contre: complexe, pas mal de travail, cher teaching kids about machine learning, avec dale lane dale a créé un site web pour enseigner le machine learning aux enfants en utilisant la plate-forme de programmation visuelle scratch . scratch est un moyen d’aborder la programmation pour les enfants avec une interface simple où vous pouvez glisser/déposer des blocs représentant des opérations de programmation (boucles, déclarations if-then…) et les ass
Informations Whois
Whois est un protocole qui permet d'accéder aux informations d'enregistrement.Vous pouvez atteindre quand le site Web a été enregistré, quand il va expirer, quelles sont les coordonnées du site avec les informations suivantes. En un mot, il comprend ces informations;
Domain Name: FABIANPIAU.COM
Registry Domain ID: 1676917393_DOMAIN_COM-VRSN
Registrar WHOIS Server: whois.1and1.com
Registrar URL: http://registrar.1and1.info
Updated Date: 2016-09-14T07:32:45Z
Creation Date: 2011-09-13T22:06:26Z
Registry Expiry Date: 2017-09-13T22:06:26Z
Registrar: 1&1 Internet SE
Registrar IANA ID: 83
Registrar Abuse Contact Email: abuse@1and1.com
Registrar Abuse Contact Phone: +1.6105601459
Domain Status: clientTransferProhibited https://icann.org/epp#clientTransferProhibited
Name Server: NS-FR.1AND1-DNS.BIZ
Name Server: NS-FR.1AND1-DNS.COM
Name Server: NS-FR.1AND1-DNS.FR
Name Server: NS-FR.1AND1-DNS.ORG
DNSSEC: unsigned
URL of the ICANN Whois Inaccuracy Complaint Form: https://www.icann.org/wicf/
>>> Last update of whois database: 2017-08-08T20:04:44Z <<<
For more information on Whois status codes, please visit https://icann.org/epp
NOTICE: The expiration date displayed in this record is the date the
registrar's sponsorship of the domain name registration in the registry is
currently set to expire. This date does not necessarily reflect the expiration
date of the domain name registrant's agreement with the sponsoring
registrar. Users may consult the sponsoring registrar's Whois database to
view the registrar's reported date of expiration for this registration.
TERMS OF USE: You are not authorized to access or query our Whois
database through the use of electronic processes that are high-volume and
automated except as reasonably necessary to register domain names or
modify existing registrations; the Data in VeriSign Global Registry
Services' ("VeriSign") Whois database is provided by VeriSign for
information purposes only, and to assist persons in obtaining information
about or related to a domain name registration record. VeriSign does not
guarantee its accuracy. By submitting a Whois query, you agree to abide
by the following terms of use: You agree that you may use this Data only
for lawful purposes and that under no circumstances will you use this Data
to: (1) allow, enable, or otherwise support the transmission of mass
unsolicited, commercial advertising or solicitations via e-mail, telephone,
or facsimile; or (2) enable high volume, automated, electronic processes
that apply to VeriSign (or its computer systems). The compilation,
repackaging, dissemination or other use of this Data is expressly
prohibited without the prior written consent of VeriSign. You agree not to
use electronic processes that are automated and high-volume to access or
query the Whois database except as reasonably necessary to register
domain names or modify existing registrations. VeriSign reserves the right
to restrict your access to the Whois database in its sole discretion to ensure
operational stability. VeriSign may restrict or terminate your access to the
Whois database for failure to abide by these terms of use. VeriSign
reserves the right to modify these terms at any time.
The Registry database contains ONLY .COM, .NET, .EDU domains and
Registrars.
REGISTRAR 1&1 Internet SE
SERVERS
SERVER com.whois-servers.net
ARGS domain =fabianpiau.com
PORT 43
TYPE domain
RegrInfo
DOMAIN
NAME fabianpiau.com
CHANGED 2016-09-14
CREATED 2011-09-13
STATUS
clientTransferProhibited https://icann.org/epp#clientTransferProhibited
NSERVER
NS-FR.1AND1-DNS.BIZ 217.160.81.4
NS-FR.1AND1-DNS.COM 217.160.82.4
NS-FR.1AND1-DNS.FR 217.160.80.4
NS-FR.1AND1-DNS.ORG 217.160.83.4
REGISTERED yes
Go to top
fabianpiau.com rapport :
Visitez le site