[Lisa_seminaires] Fwd: UdeM-McGill-MITACS machine learning seminar Tue Feb. 2 at 14h30,

Dumitru Erhan dumitru.erhan at umontreal.ca
Lun 1 Fév 08:54:35 EST 2010


Reminder for tomorrow's MITACS Seminar:

---------- Forwarded message ----------
From: Dumitru Erhan <dumitru.erhan at umontreal.ca>
Date: 2010/1/26
Subject: UdeM-McGill-MITACS machine learning seminar Tue Feb. 2 at 14h30, Z-209
To: lisa_seminaires at iro.umontreal.ca


Please note the *different location: room Z-209* in Pavillon
Claire-McNicoll, located right next to Pavillon André-Aisenstadt.

Next week's seminar (see
http://www.iro.umontreal.ca/article.php3?id_article=107&lang=en):

*Apprentissage de fonctions de classification et d’ordonnancement avec des
données partiellement étiquetées*

by Massih-Reza Amini
Research Officer, Interactive Language Technologies
NRC Institute for Information Technology
Gatineau, Quebec

Location: *Pavillon Claire-McNicoll (UdeM), room Z-209*
Time: Tuesday, February 2, 14:30.

Avec le développement des technologies d’information on assiste depuis
quelques années à une nouvelle impulsion pour la conception de nouveaux
cadres d’apprentissage automatique. C’est le cas par exemple du paradigme
semi-supervisé qui a vu le jour vers la fin des années 90 dans la communauté
apprentissage. Les premiers travaux dans ce cadre ont été motivés par le
développement du web qui a entraîné une production massive de données
textuelles très hétérogènes. Ces masses de données sont généralement livrées
sous forme brute, sans étiquetage a priori et pour les exploiter on était
alors réduit à utiliser des techniques non-supervisées. Ces approches bien
que totalement génériques ne permettent cependant qu’une analyse limitée des
informations de contenu et ne répondent pas ainsi aux demandes de nombreuses
tâches de Recherche d’Information (RI). L’idée pragmatique développée pour
l’apprentissage semi-supervisé était née de la question; "comment réduire
l’effort d’étiquetage et utiliser simultanément une petite quantité de
données étiquetées avec la masse de données non-étiquetées disponible pour
apprendre?" Un autre exemple de l’émergence de nouveaux cadres
d’apprentissage concerne le développement de méthodes automatiques pour la
recherche et l’ordonnancement d’entités d’information sur des corpus de
grandes tailles. Récemment beaucoup de travaux se sont intéressés à la
formulation des différentes formes de la tâche d’ordonnancement. Ces travaux
ont proposé des algorithmes et développé des cadres théoriques pour la
prédiction d’ordres totaux ou partiels sur les exemples. La Recherche
d’Information est une fois encore le domaine par excellence où les modèles
d’apprentissage de fonctions d’ordonnancement jouent un rôle prépondérant.
Dans notre étude nous nous sommes intéressés à deux cadres d’ordonnancement
d’instances et d’alternatives. Dans le premier cas il s’agit d’ordonner les
exemples (où instances) d’une collection donnée de façon à ce que les
exemples jugés pertinents soient ordonnés au—dessus des exemples
non—pertinents et dans le second cas nous cherchons à ordonner les
alternatives d’une collection donnée par rapport à chaque exemple d’entrée.
Je présenterai l’ensemble de mes travaux suivant ces deux axes en commençant
par l’apprentissage semi-supervisé de fonctions de classification qui est
plutôt un travail algorithmique. Je décrirai ensuite le cadre théorique que
nous avons proposé pour l’apprentissage de fonctions d’ordonnancements avec
comme application l’apprentissage actif de fonctions d’ordonnancement
d’alternatives.

--
http://dumitru.ca, +1-514-432-8435



-- 
http://dumitru.ca, +1-514-432-8435
-------------- next part --------------
An HTML attachment was scrubbed...
URL: https://webmail.iro.umontreal.ca/mailman/private/lisa_seminaires/attachments/20100201/dad3e71e/attachment.html 


Plus d'informations sur la liste de diffusion Lisa_seminaires