Vous manquez des opportunités de trading :
- Applications de trading gratuites
- Plus de 8 000 signaux à copier
- Actualités économiques pour explorer les marchés financiers
Inscription
Se connecter
Vous acceptez la politique du site Web et les conditions d'utilisation
Si vous n'avez pas de compte, veuillez vous inscrire
Geoffrey Hinton et Yann LeCun, conférence du prix ACM AM Turing 2018 "The Deep Learning Revolution"
Geoffrey Hinton et Yann LeCun, conférence du prix ACM AM Turing 2018 "The Deep Learning Revolution"
Geoffrey Hinton et Yann LeCun ont remporté le prix ACM AM Turing 2018 et ont donné une conférence sur la révolution du deep learning.
Au cours de la conférence, ils ont expliqué comment l'apprentissage en profondeur a révolutionné l'informatique et comment il peut être utilisé au profit de divers aspects de la vie. Ils ont également parlé des défis de l'apprentissage en profondeur et de l'avenir du domaine.
Ils ont noté que si la compréhension théorique de l'apprentissage en profondeur est importante, il appartient toujours aux humains de prendre des décisions dans des situations complexes. Ils ont également discuté du potentiel du calcul évolutif et d'autres formes d'intelligence artificielle dans la conduite autonome.
Ce génie canadien a créé l'IA moderne
Ce génie canadien a créé l'IA moderne
Geoff Hinton, un pionnier de l'IA, travaille depuis près de 40 ans à faire en sorte que les ordinateurs apprennent comme les humains, et il a révolutionné le domaine de l'intelligence artificielle. Hinton s'est inspiré du perceptron de Frank Rosenblatt, un réseau neuronal qui imite le cerveau, qui a été développé dans les années 1950. La détermination de Hinton a conduit à une percée dans le domaine de l'IA. Au milieu des années 80, Hinton et ses collaborateurs ont créé un réseau neuronal multicouche, un réseau neuronal profond, qui a commencé à fonctionner de nombreuses façons. Cependant, ils manquaient de données et de puissance de calcul nécessaires jusqu'en 2006 environ, lorsque des puces ultra-rapides et des quantités massives de données produites sur Internet ont donné aux algorithmes de Hinton un coup de pouce magique - les ordinateurs pouvaient identifier ce qui se trouvait dans une image, reconnaître la parole et traduire les langues. En 2012, le Canada est devenu une superpuissance de l'IA, et les réseaux de neurones et l'apprentissage automatique ont fait la une du New York Times.
Geoffrey Hinton : les fondements de l'apprentissage en profondeur
Geoffrey Hinton : les fondements de l'apprentissage en profondeur
Le parrain de l'intelligence artificielle Geoffrey Hinton donne un aperçu des fondements de l'apprentissage en profondeur. Dans cette conférence, Hinton décompose les avancées des réseaux de neurones, appliquées à la reconnaissance de la parole et des objets, à la segmentation d'images et à la lecture ou à la génération d'un langage écrit naturel.
Geoffrey Hinton aborde les fondements de l'apprentissage profond, en particulier l'algorithme de rétropropagation et son évolution. Hinton explique comment l'apprentissage en profondeur a eu un impact sur la reconnaissance précoce de l'écriture manuscrite et a finalement conduit à remporter le concours ImageNet 2012. Il souligne également la supériorité de l'apprentissage en profondeur utilisant des vecteurs d'activité neuronale sur l'IA symbolique traditionnelle qui utilisait les mêmes symboles en entrée, en sortie et au milieu. Les améliorations apportées aux systèmes de traduction automatique, à la reconnaissance d'images et à leur combinaison pour le raisonnement naturel sont discutées, ainsi que le potentiel d'apprentissage en profondeur dans l'interprétation des images médicales. Hinton conclut en soulignant la nécessité de réseaux de neurones avec des paramètres comparables au cerveau humain pour réaliser un véritable traitement du langage naturel.
Héros de l'apprentissage en profondeur : Andrew Ng interviewe Geoffrey Hinton
Héros de l'apprentissage en profondeur : Andrew Ng interviewe Geoffrey Hinton
Geoffrey Hinton, une figure de proue de l'apprentissage en profondeur, a évoqué son parcours et ses contributions dans le domaine dans une interview avec Andrew Ng. Il parle des origines des incorporations de mots, des développements restreints des machines Boltzmann et de ses travaux récents sur les poids rapides et les capsules. Hinton note le rôle crucial de l'apprentissage non supervisé dans les progrès de l'apprentissage en profondeur et conseille aux apprenants de lire largement, de travailler sur des projets à grande échelle et de trouver des conseillers ayant des intérêts similaires. Hinton pense qu'il y a un changement significatif en cours dans l'informatique, où les ordinateurs apprennent en montrant, et prévient que les universités doivent rattraper l'industrie dans la formation des chercheurs à cette nouvelle approche.
Héros du Deep Learning : Andrew Ng interviewe Yann LeCun
Héros du Deep Learning : Andrew Ng interviewe Yann LeCun
Dans cette interview entre Andrew Ng et Yann LeCun, LeCun évoque son intérêt précoce pour l'IA et la découverte des réseaux de neurones. Il décrit également son travail sur les réseaux de neurones convolutifs et l'histoire derrière les CNN. LeCun raconte comment il a persisté dans le domaine, malgré le manque d'intérêt pour les réseaux de neurones au milieu des années 90, et finalement son travail sur les CNN a repris le domaine de la vision par ordinateur. Il évoque également le moment décisif de la vision par ordinateur lorsque l'équipe AlexNet a remporté le concours ImageNet 2012 et conseille à ceux qui souhaitent faire carrière dans l'IA et l'apprentissage automatique de se rendre utiles en contribuant à des projets open source ou en mettant en œuvre des algorithmes.
Héros de l'apprentissage en profondeur : Andrew Ng interviewe Ian Goodfellow
Héros de l'apprentissage en profondeur : Andrew Ng interviewe Ian Goodfellow
Dans une interview avec Andrew Ng, Ian Goodfellow parle de sa passion pour l'apprentissage en profondeur et de la façon dont il s'est intéressé au domaine pendant ses études à Stanford. Goodfellow discute de son invention des réseaux antagonistes génératifs (GAN) et de leur potentiel dans l'apprentissage en profondeur, tout en soulignant la nécessité de rendre les GAN plus fiables. Il réfléchit à la façon dont sa réflexion sur l'IA et l'apprentissage en profondeur a évolué au fil des ans, de la simple mise en place de la technologie pour les tâches liées à l'IA à l'exploration du plein potentiel des modèles d'apprentissage en profondeur. Goodfellow partage également des conseils pour ceux qui souhaitent s'impliquer dans l'IA, affirmant qu'il est crucial d'écrire un bon code et d'intégrer la sécurité dans les algorithmes d'apprentissage automatique dès le début.
Héros de l'apprentissage en profondeur : Andrew Ng interviewe Andrej Karpathy
Héros de l'apprentissage en profondeur : Andrew Ng interviewe Andrej Karpathy
Dans une interview avec Andrew Ng, Andrej Karpathy discute de son introduction à l'apprentissage en profondeur à travers un cours avec Geoff Hinton et comment il est devenu la référence humaine pour le concours de classification d'images ImageNet. Il parle des résultats surprenants lorsque les réseaux profonds logiciels ont dépassé ses performances et a décidé d'enseigner aux autres à travers la création d'un cours en ligne. Karpathy discute également de l'avenir de l'IA et de la manière dont le domaine se divisera probablement en deux trajectoires : l'IA appliquée et l'IAG. Il conseille à ceux qui souhaitent entrer dans le domaine de l'apprentissage en profondeur de construire une compréhension complète de l'ensemble de la pile en mettant tout en œuvre à partir de zéro.
Heroes of Deep Learning : Andrew Ng interviewe le directeur de la recherche sur l'IA chez Apple, Ruslan Salakhutdinov
Heroes of Deep Learning : Andrew Ng interviewe le directeur de la recherche sur l'IA chez Apple, Ruslan Salakhutdinov
Ruslan Salakhutdinov, directeur de la recherche sur l'IA chez Apple, discute de l'évolution de l'apprentissage en profondeur, des défis de la formation de modèles génératifs et de l'apprentissage non supervisé, et des frontières passionnantes de la recherche en apprentissage en profondeur. Il encourage également les chercheurs à explorer différentes méthodes et à ne pas avoir peur d'innover.
Salakhutdinov souligne l'importance de construire des systèmes basés sur le dialogue et ceux qui peuvent lire le texte intelligemment, et l'objectif ultime d'atteindre des capacités d'apprentissage plus humaines.
Héros de l'apprentissage en profondeur : Andrew Ng interviewe Yoshua Bengio
Héros de l'apprentissage en profondeur : Andrew Ng interviewe Yoshua Bengio
Andrew Ng interviewe Yoshua Bengio et ils discutent de divers sujets liés à l'apprentissage en profondeur. Bengio explique comment il est entré dans l'apprentissage en profondeur et comment sa réflexion sur les réseaux de neurones a évolué. Il discute également de ses contributions au développement d'incorporations de mots pour des séquences de mots et à l'apprentissage en profondeur avec des piles d'auto-encodeurs. De plus, Bengio souligne l'importance de l'apprentissage non supervisé et son intérêt à comprendre la relation entre l'apprentissage en profondeur et le cerveau.
Bengio souligne la nécessité de comprendre la science de l'apprentissage en profondeur et une recherche appropriée pour relever les grands défis. Enfin, ils se concentrent sur la nécessité d'une solide connaissance de base des mathématiques pour une carrière dans l'apprentissage en profondeur et l'importance de la formation continue.
Héros du Deep Learning : Andrew Ng interviewe Pieter Abbeel
Pieter Abbeel discute des défis et du potentiel de l'apprentissage par renforcement profond dans cette interview avec Andrew Ng. Il note la nécessité de poursuivre les travaux d'exploration, d'attribution de crédits et de génération d'exemples négatifs. Abbeel souligne également les problèmes de sécurité et l'importance de collecter des données d'apprentissage en toute sécurité lorsque l'on apprend aux robots à vivre de manière autonome. Il conseille aux individus de poursuivre une pratique pratique avec des cadres populaires et suggère les avantages de recevoir le mentorat de professionnels expérimentés. De plus, il suggère la nécessité d'un apprentissage par renforcement pour donner aux machines des objectifs de réalisation et note l'importance du clonage comportemental et de l'apprentissage supervisé avant d'ajouter la composante d'apprentissage par renforcement.