Search

Apprentissage automatique, apprentissage biologiques

Learning Machines and Brains

À propos de ce programme

Comment pouvons-nous comprendre l’intelligence et bâtir des machines intelligentes?

Le programme Apprentissage automatique, apprentissage biologique (anciennement le programme Calcul neuronal et perception adaptative) est en train de révolutionner le domaine de l’intelligence artificielle et de créer des ordinateurs qui pensent davantage comme nous – qui peuvent reconnaître les visages, comprendre ce qui se passe sur une photo ou dans une vidéo, et comprendre la véritable signification du langage. Ces travaux auront pour fruit des ordinateurs qui seront non seulement puissants, mais intelligents, et qui pourront tout faire, qu’il s’agisse de tenir une conversation informelle ou d’extraire du sens de l’information contenue dans des bases de données massives.

En bref

Fondé
2004
Membres
38
Dates de renouvellement
2008, 2014
Partisans
  •  Céline and Jacques Lamarre
  •  Facebook
  •  Google
Les Partenaires
  •  Fondation Brian Canada
    par le fonds canadien de recherche sur le cerveau
  •  Inria

Disciplines
Informatique, y compris intelligence artificielle et apprentissage automatique; neuroscience; bioinformatique et biologie computationnelle

Details du programme

Le programme du CIFAR a ébranlé le domaine de l’intelligence artificielle par la mise au point d’une technique appelée « apprentissage profond » que des géants de l’Internet, comme Google et Facebook utilisent maintenant de façon régulière. Il y a dix ans, le CIFAR a pris un risque avec des chercheurs qui souhaitaient raviver l’intérêt pour les réseaux neuronaux, une technique informatique qui s’inspire du cerveau humain. Le CIFAR a réuni informaticiens, biologistes, neuroscientifiques, psychologues et d’autres et il s’en est suivi de riches collaborations qui ont permis à la recherche sur l’intelligence artificielle de prendre son envol.

Une plus grande puissance de traitement et la disponibilité de grands ensembles de données accroissent la puissance et l’utilité des ordinateurs. Toutefois, les ordinateurs ont encore des obstacles à surmonter dans leurs interactions avec les humains et le monde réel, y compris dans les tâches de tous les jours, comme comprendre la parole écrite et parlée, et reconnaître des visages et des objets, ou encore plus intéressant, répondre à des questions sur un éventail de documents différents, communiquer avec les humains ou même raisonner pour résoudre des problèmes.

Des ordinateurs qui arrivent à mieux comprendre le monde réel et qui en tirent des apprentissages pourraient révolutionner la médecine, l’industrie, le transport et notre vie quotidienne. Déjà, les chercheurs du CIFAR ont eu recours à l’apprentissage profond pour cerner des facteurs génétiques jusqu’alors inconnus qui contribuent à divers états, comme l’autisme. Bientôt, les ordinateurs pourraient apprendre à conduire une voiture ou un camion de façon sécuritaire et fiable, ou détecter les premiers signes d’une épidémie majeure à partir de dossiers médicaux publics et d’affichages sur Facebook. Les ordinateurs pourraient aussi s’améliorer dans leurs interactions avec les gens. Parler à un ordinateur pourrait devenir aussi facile que de parler à une personne.

Le programme a pour objectif fondamental de comprendre les principes qui sous-tendent l’intelligence naturelle et artificielle, et d’élucider les mécanismes par lesquels l’apprentissage peut entraîner l’émergence de l’intelligence.

SELECTED PAPERS

Hinton, G. E., S. Osindero et Y. Teh. « A fast learning algorithm for deep belief nets », Neural Computation, 18, (2006) : 1527-1554. PDF

Bengio, Y., P. Lamblin, D. Popovici et H. Larochelle, « Greedy Layer-Wise Training of Deep Networks », Neural Information Processing Systems Proceedings (2006). PDF

Salakhutdinov, R. et G. Hinton. « Learning a Nonlinear Embedding by Preserving Class Neighbourhood Structure », Proceedings of the Eleventh International Conference on Artificial Intelligence and Statistics (2007) : 412-419. PDF

Graves, A., A. Mohamed et G.E. Hinton. « Speech Recognition with Deep Recurrent Neural Networks », 39th International Conference on Acoustics, Speech and Signal Processing, Vancouver (2013). PDF

LeCun, Y., Y. Bengio et G. Hinton. « Deep Learning », Nature, 521 (2015)  : 436–444. Résumé

Contactez la directrice principale du programme, Kate Geddie

Les boursiers et les conseillers du programme

Directeurs de programme

Yoshua Bengio
Codirecteur du programme

Yoshua Bengio travaille en informatique, plus particulièrement en intelligence artificielle (apprentissage automatique).

Yann LaCun
Codirecteur du programme

Parmi les intérêts de recherche de Yann LeCun, informaticien, notons les modèles computationnels et biologiques de l’apprentissage et de la perception.

Hugo Larochelle
Directeur de programme associé

Dans ses recherches, l’informaticien Hugo La Rochelle se penche sur l’apprentissage automatique, c’est-à-dire, la mise au point d’algorithmes pour extraire des concepts et des extractions de données.

Boursiers

Francis Bach

  • Boursier principal
  • Apprentissage automatique, apprentissage biologique
  • École normale supérieure Paris
  • Inria
  • France

Marc G. Bellemare

  • Boursier
  • Apprentissage automatique, apprentissage biologique
  • Université McGill
  • Google Brian
  • Canada

Aaron Courville

  • Boursier
  • Apprentissage automatique, apprentissage biologique
  • Université de Montréal
  • Canada

James DiCarlo

  • Boursier associé
  • Apprentissage automatique, apprentissage biologique
  • Massachusetts Institute of Technology
  • États Unis

Rob Fergus

  • Boursier principal
  • Apprentissage automatique, apprentissage biologique
  • Université de New York
  • États Unis
Ila R. Fiete

Ila R. Fiete

  • Boursière principale
  • Apprentissage automatique, apprentissage biologique
  • Université du Texas à Austin
  • États Unis

David J. Fleet

  • Boursier principal
  • Apprentissage automatique, apprentissage biologique
  • Université de Toronto
  • Canada

Nando de Freitas

  • Boursier principal
  • Apprentissage automatique, apprentissage biologique
  • Université d'Oxford
  • Royaume-Uni

Brendan J. Frey

  • Boursier principal
  • Apprentissage automatique, apprentissage biologique
  • Université de Toronto
  • Canada

Surya Ganguli

  • Boursier associé
  • Apprentissage automatique, apprentissage biologique
  • Université Stanford
  • États Unis

Zaid Harchaoui

  • Boursier associé
  • Apprentissage automatique, apprentissage biologique
  • Université de Washington
  • France

Aapo Johannes Hyvärinen

  • Boursier associé
  • Apprentissage automatique, apprentissage biologique
  • University College London
  • Finlande

Konrad Kording

  • Boursier associé
  • Apprentissage automatique, apprentissage biologique
  • Université de la Pennsylvanie
  • États Unis

Simon Lacoste-Julien

  • Boursier
  • Apprentissage automatique, apprentissage biologique
  • Université de Montréal
  • Canada

Honglak Lee

  • Boursier associé
  • Apprentissage automatique, apprentissage biologique
  • Université du Michigan
  • États Unis

Christopher Manning

  • Boursier associé
  • Apprentissage automatique, apprentissage biologique
  • Université Stanford
  • États Unis

Roland Memisevic

  • Boursier
  • Apprentissage automatique, apprentissage biologique
  • Université de Montréal
  • Canada

Andrew Ng

  • Boursier associé
  • Apprentissage automatique, apprentissage biologique
  • Université Stanford
  • États Unis

Bruno Olshausen

  • Boursier principal
  • Apprentissage automatique, apprentissage biologique
  • Université de la Californie à Berkeley
  • États Unis

Joelle Pineau

  • Boursier principal
  • Apprentissage automatique, apprentissage biologique
  • Université McGill
  • Canada

Doina Precup

  • Boursière principale
  • Apprentissage automatique, apprentissage biologique
  • Université McGill
  • Canada

Blake Richards

  • Boursier
  • Apprentissage automatique, apprentissage biologique
  • Université de Toronto
  • Canada

Ruslan Salakhutdinov

  • Boursier
  • Apprentissage automatique, apprentissage biologique
  • Université de Carnegie Mellon
  • États Unis

Mark Schmidt

  • Boursier associé
  • Apprentissage automatique, apprentissage biologique
  • Université de la Colombie-Britannique
  • Canada

Eero Simoncelli

  • Boursier associé
  • Apprentissage automatique, apprentissage biologique
  • Université de New York
  • États Unis

Josef Sivic

  • Boursier principal
  • Apprentissage automatique, apprentissage biologique
  • École normale supérieure
  • Inria
  • France

Ilya Sutskever

  • Boursier associé
  • Apprentissage automatique, apprentissage biologique
  • OpenAI
  • États Unis

Richard Sutton

  • Boursier principal
  • Apprentissage automatique, apprentissage biologique
  • Université de l'Alberta
  • Canada

Antonio Torralba

  • Boursier associé
  • Apprentissage automatique, apprentissage biologique
  • Massachusetts Institute of Technology
  • États Unis

Pascal Vincent

  • Boursier associé
  • Apprentissage automatique, apprentissage biologique
  • Université de Montréal
  • Canada

Yair Weiss

  • Boursier principal
  • Apprentissage automatique, apprentissage biologique
  • Université hébraïque de Jérusalem
  • Israël

Max Welling

  • Boursier principal
  • Apprentissage automatique, apprentissage biologique
  • Université d’Amsterdam
  • Les Pays-Bas

Christopher K. I. Williams

  • Boursier associé
  • Apprentissage automatique, apprentissage biologique
  • Université d'Édimbourg
  • Royaume-Uni

Richard Zemel

  • Boursier principal
  • Apprentissage automatique, apprentissage biologique
  • Université de Toronto
  • Canada

Conseillers

Pieter Abbeel

  • Conseiller
  • Apprentissage automatique, apprentissage biologique
  • Université de la Californie à Berkeley
  • États Unis

Léon Bottou

  • Conseiller
  • Apprentissage automatique, apprentissage biologique
  • Facebook AI Research
  • France

Geoffrey Hinton

  • Conseiller
  • Apprentissage automatique, apprentissage biologique
  • Université de Toronto
  • Google
  • Canada

Pietro Perona

  • Conseiller
  • Apprentissage automatique, apprentissage biologique
  • California Institute of Technology
  • États Unis

Terrence J. Sejnowski

  • Conseiller
  • Apprentissage automatique, apprentissage biologique
  • Institut Salk d'études biologiques
  • États Unis

Sebastian Seung

  • Conseiller
  • Apprentissage automatique, apprentissage biologique
  • Université de Princeton
  • États Unis

Chercheurs mondiaux CIFAR-Azrieli

Kyunghyun Cho

  • Chercheurs mondiaux CIFAR-Azrieli 2017
  • Apprentissage automatique, apprentissage biologique
  • Université de New York
  • États Unis

Graham Taylor

  • Chercheurs mondiaux CIFAR-Azrieli 2016
  • Apprentissage automatique, apprentissage biologique
  • Université de Guelph
  • Vector Institute
  • Canada

Joel Zylberberg

  • Chercheurs mondiaux CIFAR-Azrieli 2016
  • Apprentissage automatique, apprentissage biologique
  • École de médecine de l’Université du Colorado
  • États Unis