Seminar@SystemX animé par Mustapha Lebbah
Résumé :
Dans cette présentation, nous nous concentrerons sur un domaine de recherche récent dans l’apprentissage non supervisé qui est la combinaison de l’apprentissage de représentation avec des réseaux neuronaux profonds et le clustering de données. Le succès de l’apprentissage profond pour des tâches supervisées est largement établi, mais des recherches récentes ont démontré que les réseaux profonds sont capables d’apprendre des représentations pour améliorer le partitionnement dans leur espace de caractéristiques intermédiaires. En considérant l’extraction des caractéristiques et le clustering comme une seule tâche, ces modèles sont capables d’apprendre des représentations adéquates pour la tâche de partitionnement et surpassent les méthodes en deux étapes où l’extraction des caractéristiques et le clustering sont effectués indépendamment. Cette approche a récemment été étendue à des modèles de clustering qui préservent la topologie, appelés cartes topologiques. Nous aborderons également l’intégration du clustering en tant que tâche conjointe pour améliorer la couche de normalisation des réseaux neuronaux profonds. Des tests numériques sur différents ensembles de données mettent en lumière l’efficacité de ces méthodologies pour diverses applications telles que la classification, le clustering et l’adaptation de domaine.
Biographie :
Mustapha Lebbah est actuellement Professeur des Universités à l’Université de Versailles Saint-Quentin-en-Yvelines (UVSQ/Université Paris-Saclay) depuis 2022 et membre du Laboratoire Données et Algorithmes pour une Ville Intelligente et Durable (David). Ses principaux sujets de recherche sont centrés sur l’apprentissage automatique (apprentissage non supervisé, modèle de mélange, clustering, big data et science des données). Titulaire d’un diplôme d’ingénieur en Informatique et d’un master (ex DEA) en Intelligence Artificielle en 1999. En 2003, après trois ans chez RENAULT R&D en tant que doctorant CIFRE, il a obtenu son doctorat en Informatique de l’Université de Versailles. Il a reçu le diplôme d’Habilitation à Diriger des Recherches » en Informatique en 2012. Il porteur de plusieurs projets de collaborations industrielles (SAFRAN Aircraft Engine, Renault, BPCE, …etc). Depuis janvier 2023, il est le président de l’ association internationale francophone d’Extraction et de Gestion des ConnaissancesSociété (EGC).
Résumé :
Dans cette présentation, nous nous concentrerons sur un domaine de recherche récent dans l’apprentissage non supervisé qui est la combinaison de l’apprentissage de représentation avec des réseaux neuronaux profonds et le clustering de données. Le succès de l’apprentissage profond pour des tâches supervisées est largement établi, mais des recherches récentes ont démontré que les réseaux profonds sont capables d’apprendre des représentations pour améliorer le partitionnement dans leur espace de caractéristiques intermédiaires. En considérant l’extraction des caractéristiques et le clustering comme une seule tâche, ces modèles sont capables d’apprendre des représentations adéquates pour la tâche de partitionnement et surpassent les méthodes en deux étapes où l’extraction des caractéristiques et le clustering sont effectués indépendamment. Cette approche a récemment été étendue à des modèles de clustering qui préservent la topologie, appelés cartes topologiques. Nous aborderons également l’intégration du clustering en tant que tâche conjointe pour améliorer la couche de normalisation des réseaux neuronaux profonds. Des tests numériques sur différents ensembles de données mettent en lumière l’efficacité de ces méthodologies pour diverses applications telles que la classification, le clustering et l’adaptation de domaine.
Biographie :
Mustapha Lebbah est actuellement Professeur des Universités à l’Université de Versailles Saint-Quentin-en-Yvelines (UVSQ/Université Paris-Saclay) depuis 2022 et membre du Laboratoire Données et Algorithmes pour une Ville Intelligente et Durable (David). Ses principaux sujets de recherche sont centrés sur l’apprentissage automatique (apprentissage non supervisé, modèle de mélange, clustering, big data et science des données). Titulaire d’un diplôme d’ingénieur en Informatique et d’un master (ex DEA) en Intelligence Artificielle en 1999. En 2003, après trois ans chez RENAULT R&D en tant que doctorant CIFRE, il a obtenu son doctorat en Informatique de l’Université de Versailles. Il a reçu le diplôme d’Habilitation à Diriger des Recherches » en Informatique en 2012. Il porteur de plusieurs projets de collaborations industrielles (SAFRAN Aircraft Engine, Renault, BPCE, …etc). Depuis janvier 2023, il est le président de l’ association internationale francophone d’Extraction et de Gestion des ConnaissancesSociété (EGC).