Mathématiques et Informatique Appliquées
du Génome à l'Environnement

 

 

 

Réseau 2Neurones

Titre complet
Fondements théoriques et pratiques de l’apprentissage neuronal profond
Description succinte

Malgré une existence plutôt ancienne des premiers réseaux de neurones (ex : perceptron multicouche dans les années 70), ce n’est que relativement récemment que l’on assiste à l’émergence des techniques d’apprentissage neuronal profond (c.-à-d. “deep learning”). En effet, ces 10 dernières années, certains domaines de recherche méthodologique se sont rapidement transformés au point où l’écrasante majorité des approches de leur état de l’art s’appuient aujourd’hui sur de l’apprentissage profond. De nombreuses thématiques de recherche en lien avec les activités des unités du département MathNum semblent également suivre ce phénomène (ex : extraction d’information biologique, prédiction de structure protéique, analyse de séquence biologique, analyse d’image satellite, …). Bien que la force prédictive de ces approches s’appuie en partie sur l’évolution des ressources informatiques et sur l’ouverture de données massives, elle s’appuie également sur de nombreux algorithmes, techniques et outils complexes à appréhender, lesquels évoluent à un rythme effréné. La maîtrise de ce domaine méthodologique au niveau de l’institut apparaît donc comme un défi pour les prochaines années.

Pour cette première année de fonctionnement, les objectifs du réseau 2Neurones sont doubles :

  • Identifier et rassembler les spécialistes d’apprentissage profond et ceux gravitant autour et qui aspirent à monter en compétences sur ce type d’approches au sein d’INRAE. Le réseau s’adresse donc principalement à des personnels ingénieurs et chercheurs du département MathNum.
  • Partager les connaissances transversales sur le sujet au-delà des applications spécifiques. Notamment, l’objectif est plutôt d’insister sur les briques architecturales fondamentales (ex : perceptron, CNN, transformer) ou encore sur les techniques associées (ex : régularisation, drop-out, distillation), lesquelles peuvent ensuite être utilisées dans différentes applications.
Thématique(s)
apprentissage profond, deep learning, réseau de neurones
Type d'animation implication
Réseau
Implication scientifique
Animation
Membre(s) de l'unité impliqué.e.s
Arnaud Ferré
Equipe(s)
Bibliome
Période
2023-2024