9h – 10h (GMT +1) : Invited speaker: Pascal Bonnet 

Titre: « Transformation et adaptation des établissements de recherche et des communautés épistémiques. Vers une stratégie push & pull et une gouvernance des données inspirée par les nouvelles finalités de la science ouverte »

09h – 10h (GMT +1) : Invited speaker: Bernard Cazelles

Titre: « Prise en compte de la non-stationnarité dans les modèles d’épidémies en considé-rant des modèles stochastiques avec des paramètres variant dans le temps »

RESUME : La propagation des maladies infectieuses dans les populations humaines est un phénomène complexe. En effet, les caractéristiques de la propagation de ces maladies évoluent dans le temps, en fonction d’une multitude de facteurs environnementaux et aussi anthropiques, comme la distanciation sociale… Cette non-stationnarité est le facteur clé de la complexité de la propagation des maladies infectieuses.

14h – 15h (GMT +1) : Invited speaker: Osmar R. Zaïane

 
Title: Associative Classifiers From Competitive Predictions to Explainable AI

ABSTRACT: Today, the limelight is on Deep Learning. With the huge success of deep learning, other machine learning paradigms have had to take the back stage. Yet other models, particularly rule-based learning methods, are more readable and explainable and can even be competitive when labelled data is not abundant. One such rule-based method is the less known Associative classifier. The power of associative classifiers is to determine patterns from the data and perform classification based on the features that are most indicative of prediction. Early approaches suffer from cumbersome thresholds requiring prior knowledge. We will present a new associative classifier approach that is even more accurate while generating a smaller model. It can also be used in an explainable-AI pipeline to explain inferences from other black box predictive models.