---------------------------- Message original ---------------------------- Objet: Soutenance de thèse d'Olivier Delalleau, jeudi 9h30, salle 3195 De: vincentp@iro.umontreal.ca Date: Lun 13 août 2012 16:23 À: seminaires@iro.umontreal.ca Copie à: "'Yoshua Bengio'" <bengioy@iro.umontreal.ca> "Pierre McKenzie" <mckenzie@iro.umontreal.ca> yves.grandvalet@utc.fr patrick.drouin@umontreal.ca "Olivier Delalleau" <delallea@iro.umontreal.ca> "Mariette Paradis" <paradma@iro.umontreal.ca> -------------------------------------------------------------------------- Vous êtes tous cordialement invités à assister à la soutenance de thèse de doctorat d'Olivier Delalleau qui se déroulera ce jeudi 16 août, à 9h30 au local 3195, Pavillon André Aisenstadt. (Note: the presentation will be in French) TITRE: Apprentissage machine efficace : théorie et pratique RÉSUMÉ: Cette thèse s'intéresse à la question de l'efficacité en apprentissage machine, abordée sous deux angles complémentaires : celui de l'efficacité dite statistique (comment mieux apprendre avec moins de données), et celui de l'efficacité dite computationnelle (comment apprendre plus rapidement et en utilisant moins d'espace mémoire). Alors que nous sommes capables de collecter de plus en plus de données, et de les analyser sur des ordinateurs de plus en plus puissants, un tel sujet de recherche pourrait sembler futile. Nous espérons vous convaincre du contraire au cours de cette présentation, à partir des contributions principales apportées dans les six articles de cette thèse : - Pour ce qui est de l'efficacité statistique, nous exposons les forces et faiblesses de plusieurs types d'algorithmes (arbres de décision, réseaux de neurones "sommes-produits", et apprentissage semi-supervisé à base de graphe). - En ce qui a trait à l'efficacité computationnelle, nous apportons une justification théorique et pratique à l'algorithme de divergence contrastive, présentons une optimisation significative pour l'estimation de densité en présence de valeurs manquantes, et abordons un sujet rarement traité dans le cadre de la recherche académique : celui des contraintes computationnelles liées à l'utilisation d'un algorithme d'apprentissage en production industrielle, ici dans un jeu vidéo en ligne. ------------------ TITLE: Efficient machine learning: theory and practice ABSTRACT: This thesis focuses on the topic of efficiency in machine learning, which we study from two complementary points of view: statistical efficiency (how to learn better from fewer examples) and computational efficiency (how to learn faster with lower memory requirements). Considering that the amount of data being collected is always increasing, and that our computers are getting more and more powerful, such research may seem pointless. We hope this presentation will convince you this is not the case, based on the main results found in the six papers contained in this thesis: - On statistical efficiency, we exhibit strengths and weaknesses of various algorithms (decision trees, "sum-product" neural networks and graph-based semi-supervised learning). - On computational efficiency, we justify theoretically and empirically the contrastive divergence algorithm, propose a significant optimization for density estimation with missing values, and finally discuss a topic that is often overlooked by academic research: the computational challenges in an industrial application of machine learning algorithms, here in the context of an online video game.