Listen to a podcast, please open Podcast Republic app. Available on Google Play Store and Apple App Store.
Traiter des données pour valider une hypothèse ou estimer des paramètres est longtemps resté du ressort exclusif des statistiques. Cependant, l'augmentation de leur dimension a fait exploser la combinatoire des possibles. Cette malédiction de la dimensionalité est une difficulté centrale de l'analyse de données, que ce soit des images, sons, textes, ou des mesures expérimentales comme en physique, biologie ou économie. Modéliser et représenter les structures cachées des données fait appel à diverses branches des mathématiques, mais aussi à l'informatique. Les algorithmes d'apprentissage statistique, comme les réseaux de neurones, sont configurés pour optimiser l'analyse des données à partir d'exemples. Ils sont à l'origine des résultats spectaculaires de l'intelligence artificielle. Les applications scientifiques, industrielles et sociétales sont considérables, et leurs performances progressent bien plus vite que notre maîtrise de leurs propriétés mathématiques.
La chaire propose un enseignement de mathématiques appliquées, qui tente de combler le fossé entre la jungle des nouveaux développements algorithmiques et la compréhension des principes généraux sous-jacents. Les applications couvrent tous les aspects du traitement du signal et de l'apprentissage statistique. Au-delà des statistiques et des probabilités, cela fait appel à l'analyse harmonique, à l'optimisation et à la géométrie. L'étude d'applications et de nouveaux algorithmes est proposée dans le cadre de challenges de données, qui sont organisés par la chaire.
L'équipe de recherche de Stéphane Mallat à l'ENS étudie les principes permettant de structurer l'analyse de données pour échapper à la malédiction de la dimensionalité. Elle développe notamment des modèles de réseaux de neurones, basés sur des principes de séparation d'échelles par ondelettes, de parcimonie et d'invariance. Les applications concernent aussi bien la reconnaissance d'images ou de sons que l'estimation de mesures physiques. Pour plus d'informations, on pourra consulter le site internet de l'équipe de recherche.
Episode | Date |
---|---|
Séminaire - Francis Bach : Une vision alternative des modèles de diffusion par débruitage
|
Mar 13, 2024 |
08 - Apprentissage et génération par échantillonnage aléatoire
|
Mar 13, 2024 |
Séminaire - Christian Robert : Calculs bayésiens approximés (ABC) : d'un substitut élémentaire à une nouvelle forme d'inférence
|
Mar 06, 2024 |
07 - Apprentissage et génération par échantillonnage aléatoire
|
Mar 06, 2024 |
Séminaire - Randal Douc : Échantillonnage par distributions auxiliaires : de la téléportation à l'échantillonnage d'importance par chaîne de Markov
|
Feb 28, 2024 |
06 - Apprentissage et génération par échantillonnage aléatoire
|
Feb 28, 2024 |
Séminaire - Michèle Sebag : Modèles causaux : les modèles génératifs en support à des interventions
|
Feb 14, 2024 |
05 - Apprentissage et génération par échantillonnage aléatoire
|
Feb 14, 2024 |
Séminaire - Marylou Gabrié : Modèles génératifs pour la simulation de systèmes à l'équilibre
|
Feb 07, 2024 |
04 - Apprentissage et génération par échantillonnage aléatoire
|
Feb 07, 2024 |
Séminaire - Stéphane Mallat : Présentations de gagnants des challenges 2023
|
Jan 31, 2024 |
03 - Apprentissage et génération par échantillonnage aléatoire
|
Jan 31, 2024 |
Séminaire - Stéphane Mallat : Apprentissage et génération par échantillonnage aléatoire : Challenges de données 2
|
Jan 24, 2024 |
02 - Apprentissage et génération par échantillonnage aléatoire
|
Jan 24, 2024 |
Séminaire - Stéphane Mallat : Apprentissage et génération par échantillonnage aléatoire : Challenges de données 1
|
Jan 17, 2024 |
01 - Apprentissage et génération par échantillonnage aléatoire
|
Jan 17, 2024 |
Séminaire - Marc Mézard : Physique statistique et inférence : le défi des données structurées
|
Mar 08, 2023 |
08 - Modèles, information et physique statistique
|
Mar 08, 2023 |
Séminaire - Erwan Allys : Modélisation et séparation statistiques de composantes en astrophysique
|
Mar 01, 2023 |
07 - Modèles, information et physique statistique
|
Mar 01, 2023 |
Séminaire - Valentin De Bortoli : Synthèse d'images par maximum d'entropie
|
Feb 22, 2023 |
06 - Modèles, information et physique statistique
|
Feb 22, 2023 |
Séminaire - Bruno Loureiro : Physique statistique et réseaux de neurones
|
Feb 15, 2023 |
05 - Modèles, information et physique statistique
|
Feb 15, 2023 |
Séminaire - Giulio Biroli : Entropie et physique statistique
|
Feb 08, 2023 |
04 - Modèles, information et physique statistique
|
Feb 08, 2023 |
Séminaire - Modèles, information et physique statistique : Prix des challenges de la saison 2022
|
Feb 01, 2023 |
03 - Modèles, information et physique statistique
|
Feb 01, 2023 |
Séminaire - Modèles, information et physique statistique : Challenge de données (2)
|
Jan 25, 2023 |
02 - Modèles, information et physique statistique
|
Jan 25, 2023 |
Séminaire - Modèles, information et physique statistique : Challenge de données (1)
|
Jan 18, 2023 |
01 - Modèles, information et physique statistique
|
Jan 18, 2023 |
08 - Information et complexité
|
Mar 09, 2022 |
07 - Information et complexité
|
Mar 02, 2022 |
06 - Information et complexité
|
Feb 23, 2022 |
05 - Information et complexité
|
Feb 16, 2022 |
04 - Information et complexité
|
Feb 09, 2022 |
03 - Information et complexité
|
Feb 02, 2022 |
02 - Information et complexité
|
Jan 26, 2022 |
01 - Information et complexité
|
Jan 19, 2022 |
08 - Représentations parcimonieuses
|
Mar 10, 2021 |
07 - Représentations parcimonieuses
|
Mar 03, 2021 |
06 - Représentations parcimonieuses
|
Feb 17, 2021 |
05 - Représentations parcimonieuses
|
Feb 10, 2021 |
04 - Représentations parcimonieuses
|
Feb 03, 2021 |
03 - Représentations parcimonieuses
|
Jan 27, 2021 |
02 - Représentations parcimonieuses
|
Jan 20, 2021 |
01 - Représentations parcimonieuses
|
Jan 13, 2021 |
08 - Modèles multi-échelles et réseaux de neurones convolutifs
|
Jun 15, 2020 |
07 - Modèles multi-échelles et réseaux de neurones convolutifs
|
Mar 11, 2020 |
06 - Modèles multi-échelles et réseaux de neurones convolutifs
|
Mar 04, 2020 |
05 - Modèles multi-échelles et réseaux de neurones convolutifs
|
Feb 26, 2020 |
04 - Modèles multi-échelles et réseaux de neurones convolutifs
|
Feb 12, 2020 |
03 - Modèles multi-échelles et réseaux de neurones convolutifs
|
Feb 05, 2020 |
02 - Modèles multi-échelles et réseaux de neurones convolutifs
|
Jan 29, 2020 |
01 - Modèles multi-échelles et réseaux de neurones convolutifs
|
Jan 22, 2020 |
09 - L'apprentissage par réseaux de neurones profonds
|
Mar 20, 2019 |
08 - L'apprentissage par réseaux de neurones profonds
|
Mar 13, 2019 |
07 - L'apprentissage par réseaux de neurones profonds
|
Feb 27, 2019 |
05 - L'apprentissage par réseaux de neurones profonds
|
Feb 20, 2019 |
04 - L'apprentissage par réseaux de neurones profonds
|
Feb 13, 2019 |
03 - L'apprentissage par réseaux de neurones profonds
|
Feb 06, 2019 |
02 - L'apprentissage par réseaux de neurones profonds
|
Jan 30, 2019 |
01 - L'apprentissage par réseaux de neurones profonds
|
Jan 23, 2019 |
06 - L'apprentissage face à la malédiction de la grande dimension
|
Feb 21, 2018 |
05 - L'apprentissage face à la malédiction de la grande dimension
|
Feb 14, 2018 |
04 - L'apprentissage face à la malédiction de la grande dimension
|
Jan 31, 2018 |
03 - L'apprentissage face à la malédiction de la grande dimension
|
Jan 31, 2018 |
02 - L'apprentissage face à la malédiction de la grande dimension
|
Jan 24, 2018 |
01 - L'apprentissage face à la malédiction de la grande dimension
|
Jan 17, 2018 |