SCIENCESTECHNOCULTURE

[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

2012
2012

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

2010
2010

Le challenge d’ImageNet

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..Lire la suite

2007
2007

La complétion de matrices sous les feux de la rampe

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..Lire la suite

2006
2006

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

2001
2001

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

1998
1998

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

1996
1996

La méthode du lasso pour traiter un grand nombre de variables d’entrée

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..Lire la suite

1990
1990

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

1990

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

1988
1988

La traduction automatique par les probabilités

Un changement de paradigme. Des membres du centre de recherches IBM TJ Watson publient « Une approche statistique de la traduction ». Ils annoncent le passage des méthodes de traduction automatique fondées sur des règles à celles fondées sur les probabilités...Lire la suite

[/vc_column][/vc_row][vc_row][vc_column][vc_separator][vc_column_text]

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]