Exploration de données scientifiques multi-échelles

Exploration de données
scientifiques multi-échelles
École thématique RISC-E, Nicolas Brodu, 11 octobre 2016

Données Scientifiques
Le Big Data en sciences ?
– Résolution et multiplicité des capteurs (e.g. images multispectrales)
– Volume d’images de grandes tailles (e.g. photos de manips)
– Nature des données multi-physique (e.g. ultrasons, voltage, photos, etc)
– Dimensionalité élevée (e.g. paramètres d’une simulation)
– Taille des enregistrements (e.g. séries mesurées sur plusieurs années)
Mesures
Modélisation
Prédictions
Validation
Conséquence : Diicile pour un humain « non aidé » de
percevoir des relations ou motifs récurrents dans les données,
de les modéliser, de tester des hypothèses, etc.
Pas seulement pour l’analyse de données : informatisation à tous les
niveaux de la boucle méthodologique

Données Scientifiques
Comparatif avec le “Big Data” commercial
Google / Facebook / Amazon / etc… Votre manip / terrain / mesures physio /…
Finalité = gagner des sous
– Données mesurées = toutes vos traces
– Modèles comportementaux
robustes ⇒ profilage utilisateur
– Demandes des investisseurs/clients
à prendre en compte
– Services rendus aractifs ⇒ publicité
Finalité = comprendre ce qui se passe
– Données mesurée selon hypothèses/modèle
ou question scientifique précise
– Connaissances disciplinaires à prendre en
compte:physique, biologie, etc.
– Faire mieux que l’état de l’art, dose d'inconnu
– Publications
Moyens disponibles
– Jeu d’entraînement, validation
«illimités»
– Puissance de calcul «illimitée»
Moyens disponibles
– Mesures de référence
= votre temps / argent du labo
– Votre laptop, un PC ou le cluster du labo
Objectifs très variés mais, de façon générale, il est utile de :
- Trouver les points intéressants (statistiques ≠ bruit de fond, anomalies ou pas)
- Aux échelles intéressantes (pas forcément celle d'acquisition)
- Et modéliser leur dynamique (diérents formalismes, pas tous appropriés)

Extraction de caractéristiques
Caractéristiques ?
– Espace de valeurs à fort potentiel, mesurées ou calculées sur les données brutes
– D’intérêt disciplinaire, souvent en lien avec une hypothèse / un modèle
– E.g.: Indice de végétation calculé à partir de bandes spectrales, tenseur des
contraintes calculé à partir de forces microscopiques, etc.
= Espace de recherche des points intéressants
En quoi des points sont-ils « intéressants » ?
– Critères statistiques :ce qui dière du reste (erreurs/outliers ? phénomène rare ?)
– Critères dynamiques : perturbation, changement d’aracteur
– Critères informatifs :points porteurs de l’information
Analyse guidée (proche de l’apprentissage supervisé)
– Partant d’exemples connus, on cherche des points similaires
Fouille exploratoire (proche de l’apprentissage non supervisé)
– Extraction automatique de groupes (clustering), de modèle de la dynamique, etc.

De diérentes natures
Données hétérogènes
Sources multiples, de natures diérentes
Échelles d’acquisition multiples
Sources multiples, de natures diérentes
Pas l’objet principal de cee présentation
En général, pour ces données, éviter les modèles linéaires (dont SVM simples):
a*x1 + b*x2 + c*x3 … ≷ seuil ? N'est généralement pas homogène !
Préférer par exemple les modèles ensemblistes, où chaque feature est traitée
séparément, puis les décisions sont combinées de façon probabiliste sur
l'ensemble des classificateurs (e.g. forêts d'arbres de décisions aléatoires).
Ou encore les méthodes "à noyau", où des fonctions projeent chaque feature
dans un espace de Hilbert, et où on peut travailler dans l'espace produit.
f(x1, ·) ⊗ f(x2, ·) ⊗ f(x3, ·) …