Intelligence Artificielle & Apprentissage Automatique
Une démo par l’équipe du parcours IAAA. Cette démo illustre l’utilisation d’un réseau de neurones profond pour l’annotation automatique d’images. L’architecture utilisée ici est DenseNet121 qui a l’avantage d’avoir des performances proches de l’état de l’art tout en étant relativement légère en ressources de calcul. Le modèle a été entrainé sur le jeu de données…
Continue ReadingUne démo par l’équipe du parcours IAAA. Les embeddings de mots sont des représentations réelles et vectorielles (en faible dimension) de mots d’une langue. Ces représentations sont apprises de façon non supervisée avec diverses méthodes généralement basées sur des réseaux de neurones. En utilisant un espace de représentation de dimension 2 on peut visualiser les…
Continue ReadingCette démo (réalisée par l’équipe de développement de Tensorflow) est disponible sur le site de Tensorflow une des plateformes les plus populaires pour programmer des modèles neuronaux et les apprendre en utilisant les capacités des GPUs.
Continue ReadingUne démo par l’équipe du parcours IAAA. Il est possible à l’aide de techniques d’apprentissage statistique d’apprendre des modèles comme celui utilisé ci-dessous pour générer des séquences « aléatoirement ». Il s’agit d’un générateur construit à l’aide d’un réseau de neurones récurrent (RNN). Il est utilisé ici pour générer des phrases aléatoirement mais pas totalement au hasard,…
Continue ReadingUne démo par l’équipe du parcours IAAA. Les CRFs (Conditional Random Fields) sont des modèles statistiques permettant de traiter des données structurées et en particulier des séquences. Cette démonstration montre comme utiliser un modèle de ce type pour réaliser l’étiquetage dit POS (Part Of Speech) d’une phrase. Le ‘étiquetage en POS (ou POS tagging) consiste…
Continue ReadingUne démo par l’équipe du parcours IAAA. La stratégie Adversarial Learning est une méthode d’apprentissage apparue en 2014 et qui permet d’apprendre à des modèles neuronaux à générer automatiquement des données ressemblant à celles qu’il ont vus en apprentissage. Par exemple, si ils sont entrainés sur des images de visages ils sont capables d’inventer de…
Continue Reading