La troisième édition de l'école thématique AstroInformatique aura lieu du 26 au 30 juin et sera suivie du Hackathon AstroInfo AISSAI du 3 au 7 juillet.

Cette école a pour but de rassembler les chercheur·e·s, ingénieur·e·s et doctorant·e·s autour des nouvelles technologies du traitement de données massives en Astrophysique. Les cours seront concentrés sur des présentations et Travaux Pratiques en traitement des données, Machine learning et Deep Learning.

L'école aura lieu dans le sud-est de la France au Village Vacances Igesa « Destremau ».
L'inscription comprend l'hébergement complet (tous les repas + chambre individuelle) pour toute la semaine.

La participation sera limitée à 40 participants.

• Sensibiliser les chercheurs et ingénieurs aux nouvelles technologies du traitement de données.
• Former les scientifiques et ingénieurs aux méthodes informatiques de traitement de données de masse en Astrophysique.
• Renforcer cette action transverse de collaboration informatique et astrophysique.
• Démontrer les possibilités d’utiliser ces nouvelles méthodes dans le cas de données astrophysiques à travers des cas pratiques.

Lundi: Introduction aux données astro, André Schaaff [Centre de Données astronomiques de Strasbourg]

Nous commencerons par un aperçu des données astronomiques. Nous poursuivrons avec l'exemple du Centre de Données Astronomiques de Strasbourg (50 ans en 2022 !), qui fournit les services communautaires (VizieR, Simbad, Aladin, X-Match) pour accéder, visualiser et manipuler les données qu'il héberge. Nous examinerons également l'Observatoire virtuel, avec des illustrations de l'interopérabilité qu'il permet grâce à ses normes et protocoles.

VizieR, le service qui héberge plus de 20 000 catalogues, nous permettra d'extraire un échantillon des données qui seront utilisées pendant le reste de la semaine.

Les sessions pratiques fourniront également une vue d'ensemble et une familiarisation avec les outils (par exemple les outils de visualisation) qui seront utilisés au cours de la semaine.

Enfin, c'est l'occasion idéale de vérifier que les configurations matérielles des participants sont opérationnelles et de résoudre les éventuels problèmes afin que chacun puisse participer à la formation dans les meilleures conditions possibles.

Mardi: Machine Learning, Valérie Gautard [Commissariat à l'Energie Atomique]

Nous commencerons par une introduction concise à l'apprentissage automatique puis nous couvrirons des concepts clés tels que le prétraitement des données, l'apprentissage supervisé et non supervisé et les mesures d'évaluation. Ce résumé sert de base à une exploration plus approfondie du domaine de l'apprentissage automatique.

Mercredi: Introduction au MLOps, Alexandre Boucaud [Laboratoire AstroParticule et Cosmologie]

MLOps est l'acronyme de ML Operations, qui a hérité de la tendance DevOps, c'est-à-dire l'ensemble des opérations visant à mettre les algorithmes (science) en production (ingénierie). L'objectif de ce cours est de se familiariser avec une série d'outils, de principes et de bonnes pratiques qui vous faciliteront la vie en tant que développeur scientifique et vous permettront de gagner en confiance dans votre flux de travail quotidien.
En particulier, nous nous concentrerons sur les outils spécifiques conçus pour le développement de l'apprentissage automatique tels que MLFlow ou Hydra, qui vous permettront d'enregistrer et de reproduire des expériences d'apprentissage automatique, de joindre des résultats (métriques, graphiques), d'enregistrer des modèles d'apprentissage automatique, etc. Ceci est très pratique et peut être considéré comme le cahier de laboratoire moderne.
Nous passerons par des exemples pratiques pour démarrer avec ces outils et nous essaierons de les utiliser autant que possible pendant les exercices des jours suivants.

Jeudi: Deep Learning, Françoise Bouvet [Laboratoire de physique des 2 infinis]

Nous décrirons les principaux concepts du Deep Learning (DL). Le cours se concentrera sur les réseaux neuronaux multicouches (MLP) et les réseaux neuronaux à convolution (CNN).
En particulier, nous parlerons de :

•     le neurone artificiel,
•     MLP : structure et fonctionnement,
•     CNN : structure et fonctionnement,
•     une brève revue des autres structures de NN.

Python et la bibliothèque Keras seront utilisés pour les exercices.

Vendredi: Normalizing flows, Justine Zeghal [Laboratoire AstroParticule et Cosmologie]

Les Normalizing Flows (NF) sont des outils puissants permettant de modéliser des distribution complexes et utilisées pour l'inférence bayésienne en astrophysique, pour l'échantillonage ou l'estimation de densité.
L'idée est de transformer une distribution classique (gaussienne) en une distribution complexe en utilisant une série de petites transformations bijectives. En utilisant ces transformations, on s'autorise à échantillonner la distribution complexe à partir de la distribution connue, tout en préservant la densité et les probabilités associés.

Dans ce cours, on se penchera sur la théorie, les applications et l'implémentation de ces NFs, qui sont devenues assez indispensables en inférence bayésienne ces dernières années.
On terminera par une utilisation des Normalizing Flows dans le cadre d'un toy-model d'inférence en cosmologie.

À la fin du programme, les participants disposeront d'une base solide en matière de machine learning pour leurs propres projets.

L'agenda est disponible ici.

Cette école est ouverte à tous.

• doctorants (cette école peut compter dans le parcours de formation du doctorant)
• post-doctorants
• chercheurs / Enseignants chercheurs (de tous instituts)
• ingénieurs de tous instituts

Une priorité sera donnée aux jeunes doctorants, chercheurs, ingénieurs.

L'École thématique Astroinfo 2023, est destinée aux débutants et ou personnes ayant une connaissance minime des traitements de données en Machine Learning et Deep Learning.

Prérequis nécessaires: connaître python et Numpy.

L'inscription est ouverte et se fait sur cette page d'inscription.  

Les tarifs d'inscription dépendent de la catégorie de personnel  : 

• Agent (chercheur, ITA, post-doctorant, doctorant, CDD) employé par le CNRS : inscription financée par le CNRS
• Doctorant non payé par le CNRS: 350 euros HT
  
• Postdoctorant non payé par le CNRS : 550 euros HT
  
• Personnel d'un autre établissement public :  550 euros HT
  
• Personnnel d'un établissement privé : 1500 euros HT
  

Les frais d'inscription couvrent les pauses, les repas, le logement et la participation aux évènements sociaux. Les frais de déplacement seront à la charge de votre laboratoire, auprès duquel il vous faudra demander un ordre de mission. 

Dans la continuité de l'École, nous organisons le Hackathon Astro AISSAI.
Le hackathon s'articule autour d'un projet scientifique et se déroulera tout au long de la semaine. Cette deuxième semaine s'adresse à des personnes ayant un peu d'expérience et le nombre de personnes sera limité à 20.

Si vous êtes intéressé·e, merci de vous inscrire également sur le site du Hackathon.

Prérequis nécessaires pour les participants:

• Expérience minimale en MLDL ou en traitement de données
• Experience en développements informatiques

Appel à propositions de projet

ASTROINFO est une École thématique qui se veut être récurrente tous les deux ans. La pandémie ne nous a pas permis d'organiser cette Ecole en 2020. Les précédentes écoles se sont déroulées à  :

• Marseille  ASTROINFO 2018
• Séolane ASTROINFO 2021