Séminaire (organisé par l’équipe de recherche DI)


Sparsity in learning

Mardi 29 novembre 2011 à 14h C221

Résumé :

Machine learning aims at discovering regularities from examples. In this process, sparsity can be introduced from different perspectives. For a given task, it can target (1) computational efficiency, by avoiding to process insignificant pieces of information ; (2) interpretability, by putting forward the salient pieces of information ; (3) prediction accuracy, by introducing an induction bias preventing overfitting to the training examples. I will consider two facets of sparsity, by looking at the two dimensions of the data table that represents the training sample : examples and variables. We will see how these two approaches can be formalized and motivated from the theoretical point of view. I will then focus on some properties and practical issues and finally conclude by some open questions on the topic.


Mardi 20 juin 2017

Séminaire à 14h en GI042 (bâtiment Blaise Pascal), présenté par Patrice Perny, LIP6.
« Décision interactive sur domaine combinatoire par élicitation incrémentale de préférences ».

Jeudi 11 mai 2017

Séminaire à 14h en GI042 (bâtiment Blaise Pascal), présenté par Nicolas Maudet, LIP6 (Equipe SMA).
« Current issues in argumentation ».

Mardi 4 avril 2017

Séminaire à 14 h dans l’amphi du Centre d’Innovation de l’UTC, présenté par Xavier LAGORCE, PhD, Head of Computer Vision, Chronocam.
« Chronocam : Event-based cameras for machine vision »

Jeudi 27 octobre 2016

Séminaire à 14 h en GI016, présenté par Fabien Pfaender, UTSEUS.
« State of Cities - A Massive, Systematic, Data Powered, Comparative Analysis Of Cities ».

Pages 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | ...


FR SHIC 3272

Collegium UTC/CNRS