Séance de cours

Intelligence cérébrale : Apprentissage continu des modèles de représentation

Graph Chat

Chattez avec Graph Search

Posez n’importe quelle question sur les cours, conférences, exercices, recherches, actualités, etc. de l’EPFL ou essayez les exemples de questions ci-dessous.

AVERTISSEMENT : Le chatbot Graph n'est pas programmé pour fournir des réponses explicites ou catégoriques à vos questions. Il transforme plutôt vos questions en demandes API qui sont distribuées aux différents services informatiques officiellement administrés par l'EPFL. Son but est uniquement de collecter et de recommander des références pertinentes à des contenus que vous pouvez explorer pour vous aider à répondre à vos questions.

Description

Cette séance de cours explore l'intersection des neurosciences et de l'intelligence artificielle, en mettant l'accent sur l'apprentissage continu des modèles de représentation après le déploiement. L'instructeur discute des limites des réseaux neuronaux artificiels actuels pour capter l'adaptabilité et l'intelligence rapides du cerveau humain. Les sujets clés comprennent le comportement de généralisation des réseaux neuronaux convolutionnels, la reconnaissance des objets, la segmentation des mouvements non supervisés et la fécondation interdisciplinaire croisée entre les neurosciences et l'IA. La recherche continue vise à améliorer la capacité des machines à démêler les propriétés physiques des objets et les changements d'apparence du modèle. La séance de cours souligne l'importance de l'apprentissage continu après le déploiement comme paradigme pour comprendre l'intelligence cérébrale.

Source officielle

Proximité ontologique

Information engineering

Apprentissage automatique: Réseau de neurones artificiels

Concepts associés (32)

Apprentissage automatique

L'apprentissage automatique (en anglais : machine learning, « apprentissage machine »), apprentissage artificiel ou apprentissage statistique est un champ d'étude de l'intelligence artificielle qui se fonde sur des approches mathématiques et statistiques pour donner aux ordinateurs la capacité d'« apprendre » à partir de données, c'est-à-dire d'améliorer leurs performances à résoudre des tâches sans être explicitement programmés pour chacune. Plus largement, il concerne la conception, l'analyse, l'optimisation, le développement et l'implémentation de telles méthodes.

Apprentissage non supervisé

Dans le domaine informatique et de l'intelligence artificielle, l'apprentissage non supervisé désigne la situation d'apprentissage automatique où les données ne sont pas étiquetées (par exemple étiquetées comme « balle » ou « poisson »). Il s'agit donc de découvrir les structures sous-jacentes à ces données non étiquetées. Puisque les données ne sont pas étiquetées, il est impossible à l'algorithme de calculer de façon certaine un score de réussite.

Neural network

A neural network can refer to a neural circuit of biological neurons (sometimes also called a biological neural network), a network of artificial neurons or nodes in the case of an artificial neural network. Artificial neural networks are used for solving artificial intelligence (AI) problems; they model connections of biological neurons as weights between nodes. A positive weight reflects an excitatory connection, while negative values mean inhibitory connections. All inputs are modified by a weight and summed.

Apprentissage de représentations

En apprentissage automatique, l'apprentissage des caractéristiques ou apprentissage des représentations est un ensemble de techniques qui permet à un système de découvrir automatiquement les représentations nécessaires à la détection ou à la classification des caractéristiques à partir de données brutes. Cela remplace l'ingénierie manuelle des fonctionnalités et permet à une machine d'apprendre les fonctionnalités et de les utiliser pour effectuer une tâche spécifique.

Réseau de neurones artificiels

Un réseau de neurones artificiels, ou réseau neuronal artificiel, est un système dont la conception est à l'origine schématiquement inspirée du fonctionnement des neurones biologiques, et qui par la suite s'est rapproché des méthodes statistiques. Les réseaux de neurones sont généralement optimisés par des méthodes d'apprentissage de type probabiliste, en particulier bayésien.

Afficher plus

Séances de cours associées (64)

Modélisation de données dans les neurosciences: Meenakshi Khosla

Par Meenakshi Khosla explore la modélisation basée sur les données dans les neurosciences naturalistes à grande échelle, en mettant l'accent sur la représentation de l'activité cérébrale et les modèles de calcul.

Introduction à la neuroscience des systèmes: Aperçu des systèmes de mémoire

Introduit les neurosciences des systèmes, en se concentrant sur les circuits neuronaux, les systèmes de mémoire et la logistique des cours.

Amélioration des modèles du chemin visuel ventral

Explore les modèles de calcul du système visuel ventral, en se concentrant sur l'optimisation des réseaux pour les tâches réelles et la comparaison avec les données cérébrales.

Intelligence cérébrale : Apprentissage continu des modèles de représentation

S'insère dans l'apprentissage continu des modèles de représentation dans l'intelligence cérébrale, mettant l'accent sur l'adaptation rapide aux environnements non structurés.

Apprentissage de la représentation d'images supervisée par soi-même

Présente BYOL, une méthode d'apprentissage auto-supervisée de la représentation d'images permettant d'obtenir des résultats de pointe sans paires négatives.

Afficher plus

Concepts associés (32)

Apprentissage automatique

Apprentissage non supervisé

Neural network

Apprentissage de représentations

Réseau de neurones artificiels

Afficher plus