Event

Data Science Liege MEETUP #11

    
  

The mission of Data Science Liège is to offer a forum, upon which participants can leverage to federate data science initiatives, showcase projects and ideas, call for support and partnerships, disseminate knowledge and stimulate public awareness.

Participation is free but registration is required.

Follow us on Twitter : @DSLiege for updates and latest news!

PS: We are looking for participants to present and showcase their past or ongoing data science projects. Feel free to submit your propositions by email to datascience@uliege.be.

Program

  • 18:30 Door Opening
  • 19:00 Short Talks
  • 20:15 Debate & Wrap-up
  • 20:30 Drinks & Networking
  • 21:30 Closing

Speakers

  • Julien DEUSE

    Partner & Software Engineer - Deuse
  • Amaury BEECKMAN

    Machine Learning Engineer - Sagacify

Abstract

Amélioration de la gestion du risque pour le transporteur de l’électricité Belge sur base de données réelles  – Julien DEUSE

Elia, le gestionnaire de distribution belge, est face à un challenge. La majorité des installations électriques ont été implantées après-guerre et ont une durée de vie de +- 60 ans. Ils sont maintenant confrontés à une vague de remplacements. La priorisation de ces dernières est basée sur un modèle statistique de risque façonné à partir de données présentes dans les différents systèmes informatiques. Durant cette présentation, nous verrons ensemble les 3 difficultés majeures du projet pour un type d’asset donné. Soit la récupération de données de qualité en quantité, le mapping du modèle et la combinaison des risques des différents assets afin d’obtenir une vue globale.

Introduction to more explainable deep-learning algorithms, with practical examples – Amaury BEECKMAN

The talk will start by introducing the differences in explainability between classical Machine Learning against Deep-Learning algorithms (white vs black boxes). Afterwards, I’ll theoretically explain the different approaches available to tackle this Deep-Learning black box issue e.g. grad-cam and model agnostic. The end of the presentation will be more practical, I’ll show different solutions across different models (CNN’s, RNN’s, …) and industries.