Club mathématique
de l'Université de Montréal

Accueil Journal Calendrier Archive

Apprentissage de représentations et chaînes de Markov Monte Carlo

La recherche en intelligence artificielle progresse énormément et cela se reflète dans de plus en plus d'applications comme les engins de recherche, la reconnaissance d'objets sur votre téléphone cellulaire, ou la reconnaissance de la parole. Les algorithmes d'apprentissage sont au coeur de ces développements: l'ordinateur apprend à partir d'exemples à capter les régularités et les facteurs explicatifs au coeur du monde qui nous entoure. De nombreux défis occuppent les chercheurs de ce domaine, dont plusieurs de nature mathématiques. J'en aborderai quelques uns dans cette présentation.

Comment formaliser nos intuitions générales sur le monde qui nous entoure pour aider l'ordinateur à apprendre? Une interprétation géométrique basée sur des variétés a connu beaucoup de succès et sera abordée, de même que l'épineuse malédiction de sa dimensionalité, et la difficulté d'échantillonner(avec des chaînes de Markov Monte Carlo) de distributions complexes captées par nos modèles (avec un immense nombre de modes.) Des observations sur la géométrie des représentations les plus abstraites apprises par l'ordinateur nous donne l'espoir que ces problèmes seront de plus en plus faciles à résoudre au fur et à mesure que nous feront des progrès dans l'apprentissage de représentations de plus en plus haut niveau.

Par Yoshua Bengio, (Professeur, DIRO, Université de Montréal)