Moto Perpetuo

Modele isabelle anoh

Hussain Ahmed et Isabella Farnese ont rejoint la série hier soir. Apprendre sur le cerveau: modélisation clairsemée et au-delà: la modélisation clairsemée est une zone en développement rapide à l`intersection de l`apprentissage statistique et du traitement du signal, motivée par le problème statistique séculaire de la recherche d`un sous-ensemble relativement restreint de «important» variables dans les jeux de données de haute dimension. La sélection des variables est particulièrement importante pour améliorer l`interprétabilité des modèles prédictifs dans les applications scientifiques telles que la biologie computationnelle et les neurosciences, où l`objectif principal est d`obtenir un meilleur aperçu du fonctionnement d`un système biologique, en plus d`apprendre les prédicteurs “Black-Box”. De plus, la sélection des variables offre un moyen efficace d`éviter la «malédiction de la dimensionnalité», car elle aide à prévenir le surajustement et à réduire la complexité computationnelle dans les jeux de données de grande dimension mais relativement petits, tels que, par exemple, les IRM (fMRI), où le nombre de variables (voxels du cerveau) peut aller de 10 à 100 milliers, alors que le nombre d`échantillons est généralement limité à plusieurs centaines. Attention fondamentaux du modèle de réseau neuronal: les réseaux neuronaux ont retrouvé leur popularité au cours de la dernière décennie parce qu`ils démontrent la valeur réelle du monde dans différentes applications (p. ex. publicité ciblée, moteurs recommandation, Siri, voitures Auto-pilotrices, soins du visage reconnaissance mutuelle). Plusieurs types de modèles sont actuellement explorés dans le domaine avec les réseaux neuronaux récurrents (RNN) et les réseaux neuronaux de convolution (CNN) en prenant la priorité. Le modèle d`attention, une variante RNN récemment développée, a commencé à jouer un rôle plus important dans le traitement du langage naturel et la recherche d`analyse d`images.

Irina irlandais est membre du personnel de recherche au centre de recherche IBM T.J. Watson. Elle a reçu des MS en mathématiques appliquées de l`Institut Gubkin de Moscou, en Russie, et un doctorat en informatique de l`Université de Californie, Irvine. Ses domaines d`expertise comprennent l`intelligence artificielle et l`apprentissage automatique, avec un accent particulier sur les modèles graphiques probabilistes tels que les réseaux bayésiens et Markov, la sparsité et la détection compressée, la conception d`expériences théoriques et l`activité apprentissage, avec de nombreuses applications allant du diagnostic et de la gestion de la performance des systèmes informatiques distribués («informatique autonome») à la modélisation prédictive et la découverte statistique de biomarqueurs en neuroimagerie (IRM fonctionnelle et EEG) et d`autres données biologiques. Irina a publié plus de 50 articles, plusieurs chapitres de livres, deux ouvrages édités, et une monographie sur la modélisation clairsemée, a enseigné plusieurs tutoriels et a organisé de nombreux ateliers lors de conférences sur la machine-learning, telles que NIPS, ICML et CELV. Elle détient 24 brevets et plusieurs récompenses IBM, dont le prix IBM Technical excellence, le prix d`accomplissement technique d`IBM et plusieurs prix de réalisation d`inventions. En outre, en tant que professeur auxiliaire au département de l`EE de l`Université de Columbia, elle a enseigné plusieurs cours avancés d`études supérieures sur l`apprentissage statistique et la modélisation de signaux clairsemés. Zeshan Ahmed, Jane Cooper, Tracey K. Murray, Katya Garn, Mark A, Ward, Annalisa Cavallini, Samuel Jackson, Suchira Bose, Michael L. Hutton et Michael J. O`Neill sont des employés d`Eli Lilly. L`autre est un kinésithérapeute masculin de 25 ans, Hussain Ahmed, originaire de Birmingham.

Senza categoria
About