[Lisa_seminaires] Soutenance de thèse d'Olivier Delalleau, jeudi 9h30, salle 3195

vincentp at iro.umontreal.ca vincentp at iro.umontreal.ca
Lun 13 Aou 17:00:41 EDT 2012


---------------------------- Message original ----------------------------
Objet:    Soutenance de thèse d'Olivier Delalleau, jeudi 9h30, salle 3195
De:       vincentp at iro.umontreal.ca
Date:     Lun 13 août 2012 16:23
À:       seminaires at iro.umontreal.ca
Copie à: "'Yoshua Bengio'" <bengioy at iro.umontreal.ca>
          "Pierre McKenzie" <mckenzie at iro.umontreal.ca>
          yves.grandvalet at utc.fr
          patrick.drouin at umontreal.ca
          "Olivier Delalleau" <delallea at iro.umontreal.ca>
          "Mariette Paradis" <paradma at 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.
-------------- next part --------------
A non-text attachment was scrubbed...
Name: Annonce soutenance Olivier Delalleau.pdf
Type: application/pdf
Size: 18516 bytes
Desc: not available
Url : https://webmail.iro.umontreal.ca/mailman/private/lisa_seminaires/attachments/20120813/60b5c1bd/attachment-0001.pdf 


Plus d'informations sur la liste de diffusion Lisa_seminaires