Session #4

Experiments management is one of the key aspects to reproducible research. It is often challenging to find the perfect tool that allows to do seemingly contradicting things: organize our experiments better, while still being agile and not cumbersome to use. My experience is limited to using only Weights&Biases for this task, so I cannot compare but only share what I have liked and disliked so far. A particularly likeable aspect is that I found it integrated really well with the configuration manager Hydra. In this talk, I will showcase a relatively simple example. This will illustrate why I have chosen to use this tooling combination on Jean Zay for my upcoming research endeavors.

After a first session that introduced the general basis of MLFlow, this new talk will expose a practical user case : how to setup a machine learning experiment using standar MLOps tools. For this, we will use MLFlow for tracking the experiments, DVC to manage the databases and a bucket S3 to store the artifacts (resulting models).

De la météo au langage, extraire l’information de flux de données est un enjeu primordial en Intelligence Artificielle. Le Reservoir Computing (RC) est particulièrement adapté pour bien prendre en compte ces dynamiques temporelles. C’est un paradigme d’apprentissage automatique sur des données séquentielles où un réseau de neurones artificiel n’est que partiellement entrainé. Un des intérêts majeurs de ces réseaux de neurones récurrents est leur coût computationnel réduit et la possibilité d’apprendre aussi bien “en-ligne” que “hors-ligne”. Cette intervention expose ReservoirPy : une bibliothèque Python à la fois simple et efficace basée sur la pile logicielle scientifique de Python. ReservoirPy met l’accent sur les Echo State Networks (ESN), l’instance la plus connue dediée au Reservoir Computing.