Active Learning et Semi-Supervised Learning Retrouvez toutes nos autres videos sur notre chaîne YouTube. Dans le cadre de l’apprentissage supervisé, l’entraînement d’un réseau de neurones repose sur l’exploitation d’un ensemble de données dites labellisées, i.e. qui contiennent des informations permettant de guider l’entraînement du modèle. Dans le cas d’un problème de classification d’images […]
Pendant les deux dernières décennies, l’arrivée des nouvelles familles d’algorithmes provenant du domaine Data Mining et les nouvelles puissances de calcul permettant d’entraîner des réseaux profonds contenant des centaines de millions de paramètres ont révolutionné le domaine de l’IA. Cette révolution, initialement adoptée par les chercheurs, s’est rapidement propagé à quasiment tous les secteurs de l’industrie.
Il est un domaine où le couplage de Modèles Physiques et de Modèles d’Intelligence Artificielle est particulièrement performant et pertinent : les GéoSciences. Cet article donne des clés en particulier pour mettre en oeuvre des Modèles Physiques Augmentés (MPA) et des Modèles AI Augmentés Physiques (MAIAP).
Cet article présente une nouvelle approche méthodologique pour améliorer l’interprétation des modèles de Deep Learning, qui sont souvent très opaques : la méthode des « Integrated gradients ».
Les modèles de ML sont souvent des boites noires qu’on évalue selon leurs performances sans savoir exactement comment leurs décisions sont prises. Obtenir les meilleures performances possible peut suffire, mais comprendre les décisions est de plus en plus indispensable.
Le Deepfake est une technique d’Intelligence Artificielle qui consiste à générer de la donnée synthétique très réaliste. Il peut s’appliquer à différents types de données, par exemple une image, une vidéo, un son (musique, voix), ou encore une écriture. Bienvenue dans Fake Wars !
Peter Addo est le Head of Data Lab de l’Agence Française de Développement (AFD). Dans cette interview vidéo, il nous explique – entre autres – son rôle, les enjeux et les usages de l’intelligence artificielle et de la Data Science (en particulier pour des problématiques environnementales), et son approche de la réutilisation des modèles de […]
L’interprétation de modèles de Machine Learning complexes est aujourd’hui un enjeu important dans le domaine de la Data Science. Comprendre les paramètres qui ont influencés chaque valeur prédite est donc essentiel.
