[vc_row][vc_column][vc_empty_space][/vc_column][/vc_row][vc_row full_width= »stretch_row_content »][vc_column][vc_single_image image= »10486″ img_size= »150×150″ alignment= »center » style= »vc_box_circle_2″ css= ».vc_custom_1582047786413{margin-bottom: -58px !important;} »]
Sciences
Retour en grâce des réseaux neuronaux convolutifs
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..Lire la suite
Les débuts du deep learning
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..Lire la suite
Random Forest, mieux que les arbres de décision
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...Lire la suite
Des réseaux neuronaux convolutifs
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..Lire la suite
Le boosting
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..Lire la suite
Années 1990 : Les machines à vecteurs de support SVM
Cet ensemble de techniques d’apprentissage supervisé résout des problèmes de discrimination et de régression. Développés à partir des considérations de Vladimir Vapnik sur une théorie statistique de l’apprentissage (théorie de Vapnik-Chervonenkis), les machines à vecteurs de support ou séparateurs à..Lire la suite
TEAM
RÉDACTRICE EN CHEF : ISABELLE BELLIN – EXPERTISE : NICOLAS VAYATIS
[/vc_column_text][/vc_column][/vc_row][vc_row][vc_column][vc_empty_space][/vc_column][/vc_row]