École de recherche : Approximation en Grande Dimension et Apprentissage Profond (HIDADELL)

Cette école aborde les fondements mathématiques de l'approximation et de l'apprentissage statistique en grande dimension, avec une attention particulière sur l'approximation nonlinéaire, la réduction de modèle, les tenseurs et les réseaux de neurones.

L’école est à destination des étudiant.e.s en thèse, jeunes chercheur.se.s et chercheur.se.s confirmé.e.s intéressé.e.s par ces thématiques.

Dans le cadre du semestre thématique « Apprentissage Machine et Intelligence Artificielle » du centre Henri Lebesgue, cette école comportera quatre cours donnés par des experts des mathématiques de l'approximation et de l’apprentissage :
 

• Cours 1 : Albert Cohen, Approximation of multivariate functions : reduced modeling and recovery from uncomplete measurements
• Cours 2 : Lars Grasedyck, Approximation with Hierarchical Low Rank Tensors
• Cours 3 : Sophie Langer, On the statistical theory of deep learning
• Cours 4 : Philipp Petersen, Approximation theory of deep neural networks

Des exposés invités viendront compléter les cours sur les avancées récentes dans les algorithmes d'apprentissage et la théorie de l'approximation par réseaux de neurones.
 

• Sébastien Gerchinovitz, Approximation lower bounds in L^p norm, with applications to feedforward neural networks
• Stéphane Chrétien, TBA

► Plus d'informations sur l'évènement
 

Cet évènement est organisé en partenariat avec Centrale Nantes, Le laboratoire de mathématiques Jean Leray, Nantes Université, le CNRS, la société française de statistique, la société de mathématiques appliquées et industrielles et la groupement de recherche Mascot-num.