Les algorithmes d’apprentissage automatique classiques reposent sur des bases théoriques solides. Sous l’hypothèse conventionnelle que les données d’apprentissage proviennent de la même «distribution génératrice» que les données à prédire, on parvient à énoncer des garanties statistiques sur l’acuité de la prédiction de ces algorithmes. Cependant, le déploiement de l’IA dans le monde réel met à mal cette hypothèse fondamentale, car le monde et les temps changent! Nous, enthousiastes de l’IA, sommes alors tiraillés entre le désir de déployer des algorithmes, qui accomplissent malgré tout des exploits, et la crainte de le faire en l’absence de garanties rigoureuses qu’ils sont sécuritaires.
Retour au calendrier
L’adaptation de domaine en apprentissage automatique : dialogue entre la théorie et la pratique
lundi 4 avril 2022, 10:45 à 11:15
Lieu
En ligne
Les billets virtuels donnent accès aux conférences en rediffusion à partir du lendemain
Salle
Salle Coveo
Pascal Germain
Professeur adjoint
Université Laval
Pascal Germain est professeur adjoint département d’informatique et de génie…
Pascal Germain est professeur adjoint département d’informatique et de génie logiciel de l’Université Laval depuis 2019. Chercheur en apprentissage automatique, il est titulaire d’une chaire en IA Canada-CIFAR et est membre académique associé du Mila. Il exerçait précédemment ses fonctions à Inria, l’institut national de recherche dédié aux sciences du numérique, en France. Ses domaines de recherche comprennent les algorithmes d’apprentissage de représentation, l’adaptation de domaine et la théorie statistique de l’apprentissage automatique. Il est notamment un expert mondial de la théorie PAC-bayésienne, qui permet d’obtenir des garanties de généralisations statistiquement rigoureuses sur l’acuité des prédicteurs appris à partir des données.
1035, avenue Wilfrid-Pelletier
bureau 400, Québec
QC G1W 0C5
© 2024 Québec International
