Cette session a été organisée conjointement par ENBIS et le groupe
Fiabilité et Incertitudes de la SFdS, dans le cadre des
Journées de Statistique 2024.
Elle était dédiée aux applications industrielles du deep learning, avec un accent particulier sur les interactions entre modélisation physique, méthodes statistiques et apprentissage automatique.
La séance a été modérée par Yannig Goude.
Physics-informed machine learning et prévision
Deep learning pour l’analyse de données industrielles complexes
Nathan Doumèche
Laboratoire de Probabilités, Statistique et Modélisation – EDF Lab
Cette présentation a porté sur l’intégration de connaissances physiques dans des modèles d’apprentissage automatique, avec des applications à la prévision en contexte industriel.
Loïc Coquelin
Laboratoire National de Métrologie et d’Essais (LNE)
L’exposé a présenté une approche basée sur le deep learning pour estimer des distributions granulométriques à partir d’images issues de la microscopie électronique, avec des enjeux forts en métrologie industrielle.
Eiji Kawasaki
Université Paris-Saclay, CEA, LIST – Palaiseau, France
Cette intervention a abordé les problématiques de sous-échantillonnage dans les réseaux de neurones bayésiens, avec un focus sur les compromis entre coût computationnel et qualité de l’inférence.
Les informations détaillées sur cette session sont disponibles sur le site des
Journées de Statistique 2024 – Session conjointe ENBIS / Fiabilité & Incertitudes.