Presentation

 

The Second Spring School NISS,is open to any interested person (academic or industrial), it is primarily intended for PhD students or researchers at the beginning of their career, and aims to present a summary as well as the most recent advances in a topic of current research.

The School includes Tutorials in Machine Learning and Deep Learning Security of IoT, HPC.

Presentation:

Récemment, le machine learning et le deep learning ont beaucoup attiré l'attention de l'industrie, des médias ainsi du monde universitaire et gouvernemental, leurs impact sur les entreprises et les industries ne saurait être sous-estimé. Le sujet est très vaste et comporte de nombreuses activités de recherche et développement. Nous prévoyons de présenter un tutoriel efficace sur un sujet aussi vaste en une journée. Notre plan est d'enseigner certaines techniques fondamentales les plus importantes qui se sont avérées communes et universelles pour de nombreux algorithmes, les plus populaires, du machine learning ainsi du deep learning

Objectifs pédagogiques

  • Comprendre les principes et la finalité du Machine Learning (ML) et en particulier le Deep Learning (DL).
  • Identifier les principales techniques du ML ainsi celles du DL et leurs cas d'utilisation.
  • Mettre en œuvre sur un cas simple les principales méthodes et surtout les plus utilisées.
  • Mettre en œuvre les principales étapes d'un projet DL.
  • Tester quelques algorithmes d'apprentissage les plus populaires en ML et DL.
  • Partager une partie de notre expérience de l'utilisation de ces techniques pour proposer des solutions aux problèmes industriels

Programme :

  1. l'algorithme itératif général permettant de résoudre les problèmes d'optimisation sans contrainte
  2. les méthodes de descente de gradient et de descente de gradient stochastique,
  3. les concepts fondamentaux de l'apprentissage automatique (training, testing, validation croisée, biais, variance),
  4. les différences entre machine learning, IA, et data mining,
  5. les algorithmes les populaires du machine learning tels que :
    • perceptron,
    • logistic regression,
    • decision tree
    • random forest,
  6. les algorithmes du Deep Learning :
    • ANN
    • CNN.
    • RNN.
Cours Animé par Pr E-mail:

Presentation:

Aujourd'hui, même le système informatique le plus simple trouvé dans les paramètres IoT englobe une convergence complexe de conceptions et d'entités de logiciels, de matériel et de protocoles. La sécurité et la fiabilité de ces entités sont d'une importance primordiale pour ces systèmes. Par exemple, les tablettes grand public actuelles présentes dans les réseaux domestiques intelligents sont dotées de logiciels complexes, tels qu'Android et ses applications, d'un matériel sophistiqué doté d'un large éventail de capteurs et de périphériques, ainsi que de nombreux protocoles de communication interdépendants. De nombreux dispositifs de l'Internet des objets, notamment les systèmes de divertissement à domicile, la télévision intelligente, etc. sont associés aux mêmes fonctionnalités. La sécurité et la fiabilité de chacune de ces entités dans ces systèmes sont d'une importance capitale pour leur fonctionnement. Pour sécuriser l'Internet des objets, il existe deux approches générales: l'approche « clean slate » et l'approche « incremental ». La première approche est prohibitive et ne répond pas aux besoins des systèmes existants, ce qui constitue les avantages de la deuxième approche. La résolution manuelle des problèmes de sécurité à l'aide de la deuxième approche n'adapte pas l'ampleur des problèmes rencontrés par les systèmes informatiques complexes d'aujourd'hui, une automatisation est donc nécessaire

Objectifs pédagogiques:

La machine Learning est l'une des approches automatiques de l'analyse et de la défense de la sécurité des systèmes informatiques: algorithmes entièrement automatisés pour détecter les problèmes de sécurité liés à la conception et à l'exploitation de systèmes informatiques, aux niveaux logiciels, matériel et protocole, et pour guider les défenses.
  • Comprendre les principes et la finalité du Machine Learning (ML) pour sécuriser l'internet des objets.
  • Comprendre l'approche « clean slate ».
  • Comprendre l'approche « incremental ».
  • Identifier les principales techniques pour les deux approches et leurs cas d'utilisation.
  • Mettre en œuvre les principales étapes pour sécuriser l'internet des objets.
  • Tester quelques techniques.
  • Partager une partie de notre expérience de l'utilisation de ces techniques pour proposer des solutions aux problèmes industriels.

Programme

  1. Passer en revue les applications les plus récentes en matière d'apprentissage automatique pour la sécurité de bout en bout des systèmes d'Internet des objets,
  2. Aborder les problèmes de sécurité au niveau du :
    • Matériel
    • Logiciels
    • Protocole,
  3. Etudier la façon dont les problèmes sont traités en utilisant apprentissage automatique.
  4. Enseigner les différentes approches utilisées pour effectuer des analyses comportementales utilisées pour l'ingénierie (ou l'extraction automatique) de fonctionnalités du comportement du logiciel associé à son utilisation.
  5. Enseigner les caractéristiques du matériel associé aux lignes de base et au comportement de capteurs.
  6. Enseigner les artefacts au niveau du protocole de communication.
  7. Examiner la littérature existante sur les applications de cette approche, notamment la détection de logiciels malveillants, le profilage du comportement et les empreintes digitales.
  8. Examiner les applications du Deep Learning dans ce domaine d'application et en expliquant comment les avancées en matière de co-conception GPU / CPU peuvent rendre ces applications d'apprentissage automatique plus pratiques.
Tutoriel Animé par Pr Mehdi Bennis
University of Oulu, Finland
E-mail: bennis@ee.oulu.fi

Presentation:

All major research and industrial sectors use optimization and high performance computing. These two disciplines are also becoming an important issue for company competitiveness allowing them to reduce time and cost of their product design. This training offers an overview on the optimization, the high performance computing, the most used methods and tools, its contributions and its applications.

Course Overview:

  1. Introduction to High Performance Computing and Optimization
  2. Contributions and applications of the HPC and optimization
  3. Modern implementations techniques
  4. High Performance Computing technologies
  5. Modeling, measurement and performance analysis
  6. Practical case
Tutoriel Animé par : Pr Youssef Mesri
MINES ParisTech
E-mail: youssef.mesri@mines-paristech.fr

Program

Faculty of Science Wednesday, March 27, 2019 From 2:00 pm to 6:30pm Break at 4:00pm Tutoriel 1 : Machine Learning and Deep Learning
Faculty of Science Thursday, March 28, 2019 From 2:00 pm to 6:30pm Break at 4:00pm Tutorial 3 :High Performance Computing
INPT Friday, March 29, 2019 From 3:00 pm to 7:30pm Break at 5:00pm Tutoriel 2 : Sécuriser l'Internet des objets: une approche Machine Learning

 

Registration

Registration fees Before March 01, 2019
1 Training Class 500 DH (~50 Euro)
2 Training Classes 1000 DH (~100 Euro)
All Training Classes 1500 (~150 Euro)

Places are limited to 20, interested condidates are asked to pay the registration fees on the below bank account and entering their information in the form
The registration fees include: the training certificate, electronic course and workshops, a notepad & pen and coffee breaks.

For any information, please contact us : ic.niss19@gmail.com

 

PAYMENT

  • Payment to : Association Mediteranienne des Sciences et Technologies
  • IBAN:164 640 2111610546290014 23
  • Bank Name :Banque Populaire
  • Bank Address : Agence SIDI DRISS, Tanger Maroc
  • SWIFT: BCPOMAMC
  • Reference Reason: SPRING_NISS