Annonce

Les commentaires sont clos.

Deep Learning School - Sophia Antipolis,1er - 5 juillet 204

29 Mai 2024

Catégorie : Ecole thématique

La Deep Learning School est de retour après 2 années de pause.

Comme lors des précédentes éditions, la Deep Learning School se déroulera pendant 5 jours sur le Campus SophiaTech (Polytech Sophia Antipolis) du 1er au 5 juillet 2024.
 
Chaque jour, une demi-journée sera consacrée à un cours par une chercheuse ou un chercheur mondialement reconnu⸱e dans le domaine du Deep Learning, et l’autre demi-journée à un Lab de 3 heures au cours duquel les notions abordées en cours seront appliquées directement.
 
Pendant cinq jours, les participant⸱e⸱s auront l’opportunité d'être formé⸱e⸱s par des experts de renommée mondiale :
  • Lundi 1er juillet : IA interprétable par la Pr Cynthia Rudin, Duke University (USA)
  • Mardi 2 juillet : NLP & IA frugale par la Pr Emma Strubell, Carnegie Mellon University (USA)
  • Mercredi 3 juillet : IA responsable et équité par la Pr Golnoosh Farnadi, Université McGill et Mila (Canada)
  • Jeudi 4 juillet : IA et physique/simulation numérique par le Pr Amir Barati Farimani, Carnegie Mellon University (USA)
  • Vendredi 5 juillet : Modèles fondation - Des images au langage et vice versa par le Pr Matthieu Cord, Sorbonne Université, et directeur scientifique de Valeo AI.
 
Vous trouverez toutes les informations relatives à ces spécialistes et à leurs interventions sur notre site web.
 
Pour vous inscrire pour la semaine, ou bien à la carte.
 

Vous trouverez ci-dessous les pitchs des speakers pour leurs cours, le détail étant bien sûr disponible sur notre site web :

“Since AI models are becoming incredibly complex, it is worth asking whether that extra complexity always leads to increased performance. In fact, it often does not! For tabular data with uncertain outcomes - like medical data, criminal justice data, and loan data - very simple models perform just as well. I’ve been curious about why that is, and I’m excited to speak about our work on this important topic in July.” Prof. Cynthia Rudin

“Large language models have great potential to help address substantial societal challenges, including climate change. However, these same technologies come with a high carbon footprint that must be drastically reduced over a short time period in order to meet climate goals. I’m excited to have the opportunity to present on the complex relationship between LLMs and the environment, and describe some of our recent work characterizing and mitigating the negative environmental impacts of LLMs at the Deep Learning School in July!” Prof. Emma Strubell
 
“Algorithmic fairness isn't just about eliminating bias; it's about prioritizing fairness at every stage of development and creating systems that reflect the diverse and complex world we live in.” Prof. Golnoosh Farnadi
 
Prof. Amir Barati Farimani will present his works with his colleagues during the last years to bring the state-of-the-art machine learning algorithm to mechanical engineering. Traditional mechanical engineering paradigms use only physics-based rules and principles to model the world, which does not include the intrinsic noise/stochastic nature of the system. To this end, they develop the algorithms that can infer, learn, and predict the mechanical systems based on data. These data-driven models incorporate the physics into learning algorithms to build more accurate predictive models.
 
“Is an image only a thousand words?” Prof. Matthieu Cord