Automation du design des reseaux de neurones profonds

par Zhengying Liu

Projet de thèse en Mathématiques et Informatique

Sous la direction de Isabelle Guyon et de Michèle Sebag.

Thèses en préparation à Paris Saclay , dans le cadre de Sciences et Technologies de l'Information et de la Communication , en partenariat avec LRI - Laboratoire de Recherche en Informatique (laboratoire) , A&O - Apprentissage et Optimisation (equipe de recherche) et de Université Paris-Sud (établissement de préparation de la thèse) depuis le 01-09-2017 .


  • Résumé

    L'apprentissage statistique a connu un essor formidable ces dernieres annees. On ne compte plus les applications dans les domaines medicaux, marketing, science physiques, robotique, etc. En particulier, les reseaux de neurones profonds connaissent un regain d'interet, avec des applications en vision des ordinateurs, reconnaissance de la parole, classification de texte, etc. Il y a une demande accrue de specialistes qui ne peut etre satisfaite. Dans ce contexte, il est urgent de faire progresser l'automatisation du design de reseaux de neurones profonds pour des applications variees. Nous avons la chance d'etre entre dans une collaboration avec Google qui s'interesse particulierement a ce probleme et va nous fournir des donnees. Le but de cette these sera de faire avancer l'etat de l'art en apprentissage automatique des reseaux de neurones profonds (sans aucune intervention humaine dans le design de l'architecture des reseaux). Les methodes mises au point seront mises a l'epreuve en servant de point de depart aux participants d'un defi en science des donnes qui utilisera les donnees de Google.

  • Titre traduit

    Automation of the Design of Deep Neural Networks


  • Résumé

    Machine learning has grown tremendously in recent years. Countless applications in the medical, marketing, physical science, robotics, and so on have spurred. In particular, deep neural networks are experiencing a renewed interest, with applications in computer vision, speech recognition, text classification, etc. There is an increased demand for specialists that cannot be met. In this context, there is an urgent need to advance the automation of the design of deep neural networks for various applications. We are fortunate enough to have entered a collaboration with Google, which is particularly interested in this problem, and which will provide data. The aim of this thesis is to advance the state of art in automatic learning of deep neural networks (without any human intervention in the design of network architecture). The methods developed will be put to work by serving as a starting kit for participants in a data science challenge that will use Google data.