Séance de cours

Apprendre dans les réseaux neuronaux artificiels

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.

Dans cours

PHYS-754: Lecture series on scientific machine learning

This lecture presents ongoing work on how scientific questions can be tackled using machine learning. Machine learning enables extracting knowledge from data computationally and in an automatized way. We will learn on examples how this is influencing the v ...

Description

Cette séance de cours explore l'évolution des réseaux de neurones artificiels, en se concentrant sur le passage des architectures artisanales aux processus d'apprentissage pilotés par les données. Il explore les défis des outils d’apprentissage supervisé, le compromis biais-variance et la comparaison entre l’apprentissage dans les réseaux neuronaux artificiels et les neurosciences. La discussion s’étend au concept de comportements innés codés dans le génome, au rôle de l’évolution dans la formation du comportement au fil des générations et aux implications pour la recherche sur les réseaux neuronaux artificiels. La séance de cours conclut en soulignant l’importance d’imiter les principes de l’évolution supervisée pour atteindre des capacités semblables à celles du cerveau humain.

Enseignant·e·s (10)

Matthieu Wyart

Enseignement et PhD A dirigé les thèses EPFL de Riccardo Ravasio, Mario Geiger, Wencheng Ji, Leonardo Petrini, Umberto Maria Tomasini, Alessandro Favero Cours Systèmes complexes PHYS-343 Ce cours montre comment des concepts physiques connus (entropie, transitions de phase) et nouveaux (verres, percolation, réaction de type avalanche) peuvent être utilisés dans divers domaines (y compris l'informatique, les neurosciences, les sciences sociales).

Anne-Florence Raphaëlle Bitbol

I was trained in physics, and always had a strong interest in biology. I am broadly interested in understanding biological phenomena in a quantitative way, through physical concepts and mathematical and computational tools. I investigate the relative impacts of optimization and historical contingency in biological evolution, both at the scale of protein sequences and at the scale of microbial populations.Here is my research group website.Curriculum vitae Here is my complete CV. Professional experience:Since

Alexander Mathis

Alexander studied pure mathematics with a minor in logic and theory of science at the Ludwig Maximilians University in Munich. For his PhD also at LMU, he worked on optimal coding approaches to elucidate the properties of grid cells. As a postdoctoral fellow with Prof. Venkatesh N. Murthy at Harvard University and Prof. Matthias Bethge at Tuebingen AI, he decided to study olfactory behaviors such as odor-guided navigation, social behaviors and the cocktail party problem in mice. During this time, he increasingly got interested sensorimotor behaviors beyond olfaction and started working on proprioception, motor adaption, as well as computer vision tools for measuring animal behavior. In his group, he is interested in elucidating how the brain gives rise to adaptive behavior. One of the major goals is to synthesize large datasets into computationally useful information. For those purposes, he develops algorithms and systems to analyze animal behavior (e.g. DeepLabCut), neural data, as well as creates experimentally testable computational models.

Giuseppe Carleo

Twitter https://twitter.com/gppcarleo Enseignement et PhD Doctorant·es actuel·les Gian Gentinetta, Linda Mauron, Samuele Piccinelli, Alessandro Sinibaldi, Shao Hen Chiew, David Linteau, Clemens Giuliani, Ali Goodarzi, Gianluca Grosso, Ruize Ma, Ekaterina Pankovets A dirigé les thèses EPFL de Dian Wu, Julien Sebastian Gacon, Gabriel Maria Pescia, Barison Stefano, Imelda Romero Cours Advanced computational physics PHYS-339 Le cours couvre l'algèbre linéaire dense/creuse, les méthodes variati

Source officielle

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 auto-supervisé

L'apprentissage auto-supervisé ("self-supervised learning" en anglais) (SSL) est une méthode d'apprentissage automatique. Il apprend à partir d'échantillons de données non étiquetés. Il peut être considéré comme une forme intermédiaire entre l'apprentissage supervisé et non supervisé. Il est basé sur un réseau de neurones artificiels. Le réseau de neurones apprend en deux étapes. Tout d'abord, la tâche est résolue sur la base de pseudo-étiquettes qui aident à initialiser les poids du réseau.

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.

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.

Afficher plus

Séances de cours associées (64)

Intelligence cérébrale : Apprentissage continu des modèles de représentation

S'engage dans l'apprentissage continu des modèles de représentation après déploiement, soulignant les limites des réseaux neuronaux artificiels actuels.

Introduction à l'apprentissage automatique : apprentissage supervisé

Introduit l'apprentissage supervisé, couvrant la classification, la régression, l'optimisation des modèles, le surajustement, et les méthodes du noyau.

Science axée sur les données : méthodologie MODNet

Explore la méthodologie MODNet pour les prévisions des biens matériels, en mettant l'accent sur la sélection des caractéristiques et l'apprentissage supervisé.

Les neurosciences et l'IA : combler l'écart

Explore l'écart entre l'intelligence artificielle et l'intelligence humaine grâce à des modèles et des algorithmes inspirés par les neurosciences.

Arbres de régression et méthodes d'ensemble dans l'apprentissage automatique

Discute des arbres de régression, des méthodes d'ensemble et de leurs applications dans la prévision des prix des voitures d'occasion et des rendements des stocks.

Afficher plus

Concepts associés (32)

Apprentissage automatique

Apprentissage auto-supervisé

Apprentissage de représentations

Réseau de neurones artificiels

Apprentissage non supervisé

Afficher plus