Mathématiques des données : Introduction au Deep Learning

Cette séance de cours fournit une introduction mathématique à l'apprentissage profond, couvrant des sujets tels que le paradigme de l'apprentissage profond, les défis de la théorie et des applications de l'apprentissage profond, les limites des erreurs de généralisation, la complexité de Rademacher et la puissance des classificateurs linéaires. L'instructeur discute de l'importance des réseaux neuronaux, de la puissance des classificateurs linéaires et de l'ère de la mise à l'échelle des modèles. La séance de cours explore également le paysage de la minimisation empirique des risques avec des réseaux multicouches, les défis dans les applications d'apprentissage profond comme la robustesse, l'équité, la surveillance, la confidentialité et la manipulation, ainsi que l'interprétabilité. L'instructeur explore les défis théoriques de l'apprentissage profond, y compris les limites des erreurs de généralisation, la complexité de Rademacher et la corrélation entre les mesures de complexité et la généralisation.