Ils renouvellent considérablement l’intérêt pour l’intelligence artificielle et le deep learning. Les travaux sur des réseaux convolutifs et algorithmes de rétropopagation, notamment de Yann LeCun (1998), donnent naissance à de nombreuses applications en reconnaissance d'images et vidéo, pour les systèmes de
Ce problème est l’un des plus étudiés en mathématiques, statistiques et machine learning grâce au challenge Netflix. Pour améliorer son moteur de recommandation, la société Netflix met à contribution la communauté scientifique en organisant une compétition mettant en jeu un million
Ce concours de reconnaissance visuelle d’objet par intelligence artificielle devient une référence. Le challenge de reconnaissance visuelle à grande échelle d’ImageNet (ILSVCR) est un concours annuel de reconnaissance d’objet. Organisé par l'Université Stanford, l'Université Carnegie-Mellon, l'Université du Michigan et l'Université de
Des réseaux neuronaux multicouches incluant une étape automatique d’apprentissage de la représentation des données. Geoffrey Hinton, Simon Osindero et Yee-Whye Teh optimisent le fonctionnement des réseaux neuronaux multicouches (A Fast Learning Algorithm For Deep Belief Nets). Le concept du deep learning
Puissant, ce modèle de machine learning est très utilisé aujourd’hui. Méthode dite d’ensemble, cousine du boosting, les forêts d'arbres décisionnels (ou forêts aléatoires de l'anglais random forest classifier) ont été formellement proposées en 2001 par Leo Breiman et Adèle Cutler. Ils
Tibshirani propose une méthode de régression pour permettre aux approches statistiques linéaires de faire face au « fléau de la dimension ». Lorsque le nombre de variables grandit si vite que les données deviennent éparses et éloignées, de nombreux algorithmes statistiques
Quelques chercheurs dont LeCun et Bengio poursuivent leurs recherches dans cette voie malgré les critiques. Yann LeCun, Yoshua Bengio et d’autres publient des articles sur l’application des réseaux neuronaux à la reconnaissance de l’écriture manuscrite et sur l’optimisation de la rétropropagation.
Une technique pour améliorer un algorithme, le « booster » par la démultiplication des règles de décision produites et par leur combinaison. Yoav Freund et Robert Schapire introduisent Adaboost (ou Adaptive boosting), l'une des premières méthodes pleinement fonctionnelles permettant de mettre en œuvre