Apprentissage auto-supervisé - Vers des machines apprenant de manière autonome

Aperçu

Programme

• Introduction à l'apprentissage auto-supervisé
Aperçu des paradigmes d'apprentissage automatique
Le rôle de l'apprentissage auto-supervisé dans l'IA
Avantages et défis de la réduction des données étiquetées
• Concepts fondamentaux de l'apprentissage auto-supervisé
Tâches prétextes et objectifs proxy
Principes de l'apprentissage contrastif
Méthodes basées sur le clustering
• Algorithmes clés et architectures
SimCLR et Codage Prédictif Contrastif (CPC)
BYOL (Bootstrap Your Own Latent)
CLIP (Pré-formation Contrastive Langage-Image)
• Techniques d'augmentation et de transformation des données
Importance dans l'apprentissage auto-supervisé
Stratégies et pipelines courants
Évaluation de l'efficacité de l'augmentation
• Applications dans différents domaines
Traitement automatique du langage naturel
Vision par ordinateur
Robotique et systèmes autonomes
• Métriques d'évaluation et benchmarking
Métriques courantes dans l'apprentissage auto-supervisé
Jeux de données et tâches de benchmark
Apprentissage par transfert et adaptation de domaine
• Sujets avancés et tendances
Intégration avec l'apprentissage non supervisé et semi-supervisé
Avancées en apprentissage de représentation
Considérations éthiques et biais des données
• Mise en œuvre pratique et outils
Frameworks et bibliothèques (par ex., PyTorch, TensorFlow)
Conception d'expériences et affinement de modèles
Études de cas et projets pratiques
• Directions futures dans l'apprentissage auto-supervisé
Frontières de la recherche et techniques émergentes
Implications pour l'apprentissage automatique autonome
Applications industrielles et innovations
• Revue de cours et projet de fin d'études
Synthèse des concepts appris
Présentations de projets et révisions par les pairs
Retours et suggestions de lectures futures

---

Sujets

Conferences et discours