Comprendre l'apprentissage automatique : des modèles parfaitement solubles

Cette séance de cours de l'instructeur se penche sur la compréhension de l'apprentissage machine à travers des modèles exactement solvables, explorant des sujets tels que la complexité de l'échantillon, les modèles en science des données et en physique, l'apprentissage du réseau neuronal et la généralisation optimale de Bayes. La séance de cours couvre également le perceptron enseignant-étudiant, les solutions en forme fermée, et les lacunes de calcul dans l'apprentissage. La discussion s'étend à la machine de comité, à l'évolution de l'état Langevin, et au modèle multiple caché, fournissant des informations sur l'analyse du paysage et les recettes de transition dans la théorie de l'apprentissage profond.