2018-2019 Séminaire sur les avancées et les applications de l'apprentissage automatique

15 octobre 2018

Annonce Perspectives Apprentissage automatique Actualités

Le programme 2018-2019 des séminaires sur les avancées et les applications de l'apprentissage automatique est maintenant affiché .

Le Fields Institute invite des conférenciers internationaux, des professeurs d'université et des représentants de l'industrie, à présenter un éventail de sujets liés à l'apprentissage automatique.

Cette série de séminaires s'adresse aux professeurs d'université et aux étudiants diplômés en apprentissage automatique qui étudient l'informatique, le génie électrique et informatique, les statistiques, les mathématiques, la linguistique et la médecine, ainsi qu'aux scientifiques de données titulaires d'un doctorat qui effectuent des recherches appliquées intéressantes.

L'Institut Vecteur est fier de parrainer les conférences. En partenariat avec le Fields Institute, la série de séminaires vise à renforcer la communauté de l'apprentissage automatique en Ontario.

Les séminaires ont lieu de 12h00 à 14h00 un jeudi sur deux et débutent le 18 octobre 2018.

Participez au prochain séminaire :  

Date : Jeudi 18 octobre 2018. 12:00 p.m. 13:00 p.m.

Présentateur : Kyunghyun Cho, Université de New York

Sujet : Trois orientations récentes de la traduction automatique neuronale

Rejoignez-nous via un flux en direct : http://www.fields.utoronto.ca/live

 

Voir le programme complet des séminaires sur les avancées et les applications de l'apprentissage automatique.

En rapport :

Vector Membre de la faculté Gautam Kamath
Perspectives
Recherche

Gautam Kamath, chercheur spécialisé dans les vecteurs, analyse les derniers développements en matière de robustesse et de protection de la vie privée.

Perspectives
Grands modèles linguistiques

Des protocoles normalisés sont essentiels pour un déploiement responsable des modèles linguistiques

Apprentissage automatique
Recherche

Les inconnues connues : Geoff Pleiss, chercheur chez Vector, se penche sur l'incertitude pour rendre les modèles de ML plus précis.