Apprentissage profond: Principes théoriques et applications

Abstract

L’apprentissage profond, une branche de l’intelligence artificielle, a récemment connu une croissance soudaine qui a déjà un impact majeur dans un grand nombre d’applications qu’on utilise dans notre quotidien. Que ce soit la reconnaissance d’image, de la parole ou la traduction automatique, ce domaine de recherche façonne les systèmes intelligents d’aujourd’hui et de demain. Plusieurs idées importantes ont été développées à l’Université de Montréal et la recherche dans ce domaine y est plus active que jamais. Dans cet atelier, nous vous donnerons une introduction générale des principes théoriques de l’apprentissage profond et nous vous présenterons des applications.

Dans un premier temps, nous présenterons une panoplies d’applications ayant connu un succès: reconnaissance d’image et de la parole, génération d’image et méta-apprentissage (meta-learning). Vous pourrez avoir une idée de la direction que prend ce domaine de recherche très actif et développer une intuition sur ses limites et ses applications possibles. Lors de démonstrations interactives, vous pourrez vous-même interagir avec un réseau de neurone artificiel.

Du côté théorique, nous présenterons des algorithmes centraux à l’apprentissage profond, comme la régression linéaire et la descente de gradient. Pour comprendre les principes sous-jacents à l’apprentissage profond, vous avez seulement besoin d’avoir des notions de base en algèbre linéaire et en calcul différentiel. Ces idées simples, mais puissantes, sont au coeur de l’apprentissage profond. À l’aide de démonstrations, vous pourrez vous-même voir comment un ordinateur peut apprendre à partir de données à classifier ou à prédire de nouveaux exemples.

Philippe Brouillard

PhD Student

My research interests include causal discovery, causal representation learning, machine learning.