Explore every episode of the podcast Sciences des données - Stéphane Mallat
| Title | Pub. Date | Duration | |
|---|---|---|---|
| Séminaire - Francis Bach : Une vision alternative des modèles de diffusion par débruitage | 13 Mar 2024 | 00:56:27 | |
Stéphane Mallat Collège de France Science des données Année 2023-2024 Séminaire - Francis Bach : Une vision alternative des modèles de diffusion par débruitage | |||
| 08 - Apprentissage et génération par échantillonnage aléatoire | 13 Mar 2024 | 01:00:00 | |
Stéphane Mallat Collège de France Science des données Année 2023-2024 08 - Apprentissage et génération par échantillonnage aléatoire | |||
| Séminaire - Stéphane Mallat : Présentations de gagnants des challenges 2023 | 31 Jan 2024 | 00:53:31 | |
Stéphane Mallat Collège de France Science des données Année 2023-2024 Séminaire - Stéphane Mallat : Présentations de gagnants des challenges 2023 | |||
| 03 - Apprentissage et génération par échantillonnage aléatoire | 31 Jan 2024 | 01:33:02 | |
Stéphane Mallat Collège de France Science des données Année 2023-2024 03 - Apprentissage et génération par échantillonnage aléatoire | |||
| Séminaire - Stéphane Mallat : Apprentissage et génération par échantillonnage aléatoire : Challenges de données 2 | 24 Jan 2024 | 00:43:25 | |
Stéphane Mallat Collège de France Science des données Année 2023-2024 Séminaire - Stéphane Mallat : Apprentissage et génération par échantillonnage aléatoire : Challenges de données 2 | |||
| 02 - Apprentissage et génération par échantillonnage aléatoire | 24 Jan 2024 | 01:31:29 | |
Stéphane Mallat Collège de France Science des données Année 2023-2024 02 - Apprentissage et génération par échantillonnage aléatoire | |||
| Séminaire - Stéphane Mallat : Apprentissage et génération par échantillonnage aléatoire : Challenges de données 1 | 17 Jan 2024 | 00:46:25 | |
Stéphane Mallat Collège de France Science des données Année 2023-2024 Séminaire - Stéphane Mallat : Apprentissage et génération par échantillonnage aléatoire : Challenges de données 1 | |||
| 01 - Apprentissage et génération par échantillonnage aléatoire | 17 Jan 2024 | 01:33:33 | |
Stéphane Mallat Collège de France Science des données Année 2023-2024 01 - Apprentissage et génération par échantillonnage aléatoire | |||
| Séminaire - Marc Mézard : Physique statistique et inférence : le défi des données structurées | 08 Mar 2023 | 01:00:37 | |
Stéphane Mallat Collège de France Science des données Année 2022-2023 Modèles, information et physique statistique Séminaire - Marc Mézard : Physique statistique et inférence : le défi des données structurées Les cinq dernières décennies ont vu la construction d'une nouvelle branche de physique statistique qui étudie les systèmes fortement désordonnés. Partant de l'étude des verres de spin, ce champ s'est étendu et s'est intéressé à des systèmes complexes dans différentes branches de la science, allant de l'informatique à la biologie en passant par la théorie de l'information. Quatre obstacles principaux ont dû être surmontés pour développer la théorie des systèmes désordonnés en très grande dimension : étudier des ensembles statistiques d'échantillons, analyser quantitativement le désordre microscopique, explorer des paysages d'énergie complexes, comprendre leurs liens avec les propriétés dynamiques. Cet exposé proposera tout d'abord une vision synthétique de ces développements. Il décrira ensuite le nouveau défi posé par l'application de ces méthodes en apprentissage machine, celle du désordre structuré. | |||
| 08 - Modèles, information et physique statistique | 08 Mar 2023 | 01:40:19 | |
Stéphane Mallat Collège de France Science des données Année 2022-2023 Modèles, information et physique statistique Le cours introduit les outils mathématiques permettant de modéliser des données en grande dimension, en lien avec la physique statistique et la théorie de l'information. La physique statistique montre que les lois macroscopiques résultent de la statistique des interactions de particules microscopiques. La théorie de l'information relie cette perspective avec la modélisation de données, à travers les notions d'entropie, d'énergie de Gibbs et de dépendances locales. Les applications concernent l'inférence de modèles, la génération de nouvelles données ou la compression, ainsi que la résolution de problèmes inverses. | |||
| Séminaire - Erwan Allys : Modélisation et séparation statistiques de composantes en astrophysique | 01 Mar 2023 | 00:56:21 | |
Stéphane Mallat Collège de France Science des données Année 2022-2023 Modèles, information et physique statistique Séminaire - Erwan Allys : Modélisation et séparation statistiques de composantes en astrophysique Un des défis de l'astrophysique et de la cosmologie est d'étudier des processus non linéaires complexes à partir d'un nombre souvent limité d'observations multicomposantes. Cette tâche est rendue d'autant plus difficile que la modélisation physique de ces processus n'est pas toujours achevée, ce qui implique de ne reposer que sur les observations disponibles, sans étape d'entraînement préalable. Dans ce séminaire, on étudiera comment construire des modèles performants en basse dimension prenant en compte le caractère physique et la régularité des processus étudiés. Ces modèles de maximum d'entropie, construit à partir de représentations de type scattering transforms, peuvent être construits directement à partir des données observationnelles. On discutera ensuite comment ces outils permettent de développer de nouveaux types de séparations de composantes, permettant notamment d'estimer les statistiques, et donc de construire un modèle, de processus inconnus à partir d'observations multicomposantes. | |||
| 07 - Modèles, information et physique statistique | 01 Mar 2023 | 01:32:24 | |
Stéphane Mallat Collège de France Science des données Année 2022-2023 Modèles, information et physique statistique Le cours introduit les outils mathématiques permettant de modéliser des données en grande dimension, en lien avec la physique statistique et la théorie de l'information. La physique statistique montre que les lois macroscopiques résultent de la statistique des interactions de particules microscopiques. La théorie de l'information relie cette perspective avec la modélisation de données, à travers les notions d'entropie, d'énergie de Gibbs et de dépendances locales. Les applications concernent l'inférence de modèles, la génération de nouvelles données ou la compression, ainsi que la résolution de problèmes inverses. | |||
| Séminaire - Christian Robert : Calculs bayésiens approximés (ABC) : d'un substitut élémentaire à une nouvelle forme d'inférence | 06 Mar 2024 | 01:09:53 | |
Stéphane Mallat Collège de France Science des données Année 2023-2024 Séminaire - Christian Robert : Calculs bayésiens approximés (ABC) : d'un substitut élémentaire à une nouvelle forme d'inférence | |||
| Séminaire - Valentin De Bortoli : Synthèse d'images par maximum d'entropie | 22 Feb 2023 | 00:56:35 | |
Stéphane Mallat Collège de France Science des données Année 2022-2023 Modèles, information et physique statistique Séminaire - Valentin De Bortoli : Synthèse d'images par maximum d'entropie Valentin De Bortoli, CNRS, École normale supérieure Ces dernières années ont vu l'essor des techniques basées sur les réseaux de neurones pour la synthèse d'images. Ces méthodes reposent le plus souvent sur la minimisation d'une fonction, pour laquelle les minimiseurs sont supposés être les solutions du problème de synthèse. Dans cet exposé, nous étudions, à la fois théoriquement et expérimentalement, un autre cadre pour aborder ce problème en utilisant un schéma d'échantillonnage / minimisation alterné. Tout d'abord, nous utilisons des résultats de la géométrie de l'information afin de définir un problème de synthèse pour lequel la solution est une distribution d'entropie maximale sous contraintes d'espérance. Les échantillons de cette distribution représentent des images synthétiques. Ensuite, nous nous tournons vers l'analyse de notre méthode et nous montrons, en utilisant des résultats récents de la littérature sur les chaînes de Markov, que son erreur peut être explicitement bornée avec des constantes dépendantes de manière polynomiale de la dimension, même dans le cadre non convexe. Cela inclut le cas où les contraintes sont définies via un réseau de neurones différentiable. | |||
| 06 - Modèles, information et physique statistique | 22 Feb 2023 | 01:30:57 | |
Stéphane Mallat Collège de France Science des données Année 2022-2023 Modèles, information et physique statistique Le cours introduit les outils mathématiques permettant de modéliser des données en grande dimension, en lien avec la physique statistique et la théorie de l'information. La physique statistique montre que les lois macroscopiques résultent de la statistique des interactions de particules microscopiques. La théorie de l'information relie cette perspective avec la modélisation de données, à travers les notions d'entropie, d'énergie de Gibbs et de dépendances locales. Les applications concernent l'inférence de modèles, la génération de nouvelles données ou la compression, ainsi que la résolution de problèmes inverses. | |||
| Séminaire - Bruno Loureiro : Physique statistique et réseaux de neurones | 15 Feb 2023 | 00:51:16 | |
Stéphane Mallat Collège de France Science des données Année 2022-2023 Modèles, information et physique statistique Séminaire - Bruno Loureiro : Physique statistique et réseaux de neurones | |||
| 05 - Modèles, information et physique statistique | 15 Feb 2023 | 01:34:00 | |
Stéphane Mallat Collège de France Science des données Année 2022-2023 Modèles, information et physique statistique Le cours introduit les outils mathématiques permettant de modéliser des données en grande dimension, en lien avec la physique statistique et la théorie de l'information. La physique statistique montre que les lois macroscopiques résultent de la statistique des interactions de particules microscopiques. La théorie de l'information relie cette perspective avec la modélisation de données, à travers les notions d'entropie, d'énergie de Gibbs et de dépendances locales. Les applications concernent l'inférence de modèles, la génération de nouvelles données ou la compression, ainsi que la résolution de problèmes inverses. | |||
| Séminaire - Giulio Biroli : Entropie et physique statistique | 08 Feb 2023 | 00:49:15 | |
Stéphane Mallat Collège de France Science des données Année 2022-2023 Modèles, information et physique statistique Séminaire - Giulio Biroli : Entropie et physique statistique | |||
| 04 - Modèles, information et physique statistique | 08 Feb 2023 | 01:30:29 | |
Stéphane Mallat Collège de France Science des données Année 2022-2023 Modèles, information et physique statistique Le cours introduit les outils mathématiques permettant de modéliser des données en grande dimension, en lien avec la physique statistique et la théorie de l'information. La physique statistique montre que les lois macroscopiques résultent de la statistique des interactions de particules microscopiques. La théorie de l'information relie cette perspective avec la modélisation de données, à travers les notions d'entropie, d'énergie de Gibbs et de dépendances locales. Les applications concernent l'inférence de modèles, la génération de nouvelles données ou la compression, ainsi que la résolution de problèmes inverses. | |||
| Séminaire - Modèles, information et physique statistique : Prix des challenges de la saison 2022 | 01 Feb 2023 | 01:03:57 | |
Stéphane Mallat Collège de France Science des données Année 2022-2023 Modèles, information et physique statistique Séminaire - Modèles, information et physique statistique : Prix des challenges de la saison 2022 | |||
| 03 - Modèles, information et physique statistique | 01 Feb 2023 | 01:27:33 | |
Stéphane Mallat Collège de France Science des données Année 2022-2023 Modèles, information et physique statistique Le cours introduit les outils mathématiques permettant de modéliser des données en grande dimension, en lien avec la physique statistique et la théorie de l'information. La physique statistique montre que les lois macroscopiques résultent de la statistique des interactions de particules microscopiques. La théorie de l'information relie cette perspective avec la modélisation de données, à travers les notions d'entropie, d'énergie de Gibbs et de dépendances locales. Les applications concernent l'inférence de modèles, la génération de nouvelles données ou la compression, ainsi que la résolution de problèmes inverses. | |||
| Séminaire - Modèles, information et physique statistique : Challenge de données (2) | 25 Jan 2023 | 00:45:00 | |
Stéphane Mallat Collège de France Science des données Année 2022-2023 Modèles, information et physique statistique Séminaire - Modèles, information et physique statistique : Challenge de données (2) | |||
| 02 - Modèles, information et physique statistique | 25 Jan 2023 | 01:24:10 | |
Stéphane Mallat Collège de France Science des données Année 2022-2023 Modèles, information et physique statistique Le cours introduit les outils mathématiques permettant de modéliser des données en grande dimension, en lien avec la physique statistique et la théorie de l'information. La physique statistique montre que les lois macroscopiques résultent de la statistique des interactions de particules microscopiques. La théorie de l'information relie cette perspective avec la modélisation de données, à travers les notions d'entropie, d'énergie de Gibbs et de dépendances locales. Les applications concernent l'inférence de modèles, la génération de nouvelles données ou la compression, ainsi que la résolution de problèmes inverses. | |||
| 07 - Apprentissage et génération par échantillonnage aléatoire | 06 Mar 2024 | 01:25:05 | |
Stéphane Mallat Collège de France Science des données Année 2023-2024 07 - Apprentissage et génération par échantillonnage aléatoire | |||
| Séminaire - Modèles, information et physique statistique : Challenge de données (1) | 18 Jan 2023 | 00:47:44 | |
Stéphane Mallat Collège de France Science des données Année 2022-2023 Modèles, information et physique statistique Séminaire - Modèles, information et physique statistique : Challenge de données (1) | |||
| 01 - Modèles, information et physique statistique | 18 Jan 2023 | 01:31:55 | |
Stéphane Mallat Collège de France Science des données Année 2022-2023 Modèles, information et physique statistique Le cours introduit les outils mathématiques permettant de modéliser des données en grande dimension, en lien avec la physique statistique et la théorie de l'information. La physique statistique montre que les lois macroscopiques résultent de la statistique des interactions de particules microscopiques. La théorie de l'information relie cette perspective avec la modélisation de données, à travers les notions d'entropie, d'énergie de Gibbs et de dépendances locales. Les applications concernent l'inférence de modèles, la génération de nouvelles données ou la compression, ainsi que la résolution de problèmes inverses. | |||
| 08 - Information et complexité | 09 Mar 2022 | 01:32:44 | |
Stéphane Mallat Collège de France Science des données Année 2021-2022 Distorsions et parcimonie | |||
| 07 - Information et complexité | 02 Mar 2022 | 01:31:53 | |
Stéphane Mallat Collège de France Science des données Année 2021-2022 Information de Fisher Les distorsions des algorithmes de compression sont dues aux erreurs d'approximation après quantification. Ce cours étudie la décroissance de l'erreur en fonction du nombre de bits du codage et fait le lien avec la parcimonie de la représentation dans une base. | |||
| 06 - Information et complexité | 23 Feb 2022 | 01:31:23 | |
Stéphane Mallat Collège de France Science des données Année 2021-2022 Information de Fisher La théorie de l'information de Shannon étudie la concentration des données dans l'espace, dans des ensembles typiques, sous des hypothèses d'indépendance. L'entropie permet de mesurer le nombre d'éléments dans ces ensembles. Cela définit une borne minimum sur le codage de données. | |||
| 05 - Information et complexité | 16 Feb 2022 | 01:21:18 | |
Stéphane Mallat Collège de France Science des données Année 2021-2022 Information de Fisher La théorie de l'information de Shannon étudie la concentration des données dans l'espace, dans des ensembles typiques, sous des hypothèses d'indépendance. L'entropie permet de mesurer le nombre d'éléments dans ces ensembles. Cela définit une borne minimum sur le codage de données. | |||
| 04 - Information et complexité | 09 Feb 2022 | 01:13:12 | |
Stéphane Mallat Collège de France Science des données Année 2021-2022 Information de Fisher La théorie de l'information de Shannon étudie la concentration des données dans l'espace, dans des ensembles typiques, sous des hypothèses d'indépendance. L'entropie permet de mesurer le nombre d'éléments dans ces ensembles. Cela définit une borne minimum sur le codage de données. | |||
| 03 - Information et complexité | 02 Feb 2022 | 01:23:39 | |
Stéphane Mallat Collège de France Science des données Année 2021-2022 Représentations parcimonieuses Un modèle probabiliste est typiquement défini par une famille de paramètres. L'inférence de ces paramètres peut se faire par maximum de vraisemblance. On démontre la consistance asymptotique de l'estimation par maximum de vraisemblance. | |||
| 02 - Information et complexité | 26 Jan 2022 | 01:21:17 | |
Stéphane Mallat Collège de France Science des données Année 2021-2022 Représentations parcimonieuses Un modèle probabiliste est typiquement défini par une famille de paramètres. L'inférence de ces paramètres peut se faire par maximum de vraisemblance. On démontre la consistance asymptotique de l'estimation par maximum de vraisemblance. | |||
| 01 - Information et complexité | 19 Jan 2022 | 01:04:25 | |
Stéphane Mallat Collège de France Science des données Année 2021-2022 Représentations parcimonieuses Le premier cours introduit les problématiques d'apprentissage de données complexes en grande dimension, et pose le problème en termes probabilistes. Le cours soulève les questions fondamentales de modélisation en grande dimension, et leur formalisation mathématique à travers des mesures d'information. On aborde la notion de complexité en lien avec la structure des distributions de probabilité en grande dimension. | |||
| Séminaire - Randal Douc : Échantillonnage par distributions auxiliaires : de la téléportation à l'échantillonnage d'importance par chaîne de Markov | 28 Feb 2024 | 01:03:01 | |
Stéphane Mallat Collège de France Science des données Année 2023-2024 Séminaire - Randal Douc : Échantillonnage par distributions auxiliaires : de la téléportation à l'échantillonnage d'importance par chaîne de Markov | |||
| 08 - Représentations parcimonieuses | 10 Mar 2021 | 01:44:10 | |
Stéphane Mallat Collège de France Science des données Année 2020-2021 Représentations parcimonieuses | |||
| 07 - Représentations parcimonieuses | 03 Mar 2021 | 01:26:11 | |
Stéphane Mallat Collège de France Science des données Année 2020-2021 Représentations parcimonieuses | |||
| 06 - Représentations parcimonieuses | 17 Feb 2021 | 01:31:07 | |
Stéphane Mallat Collège de France Science des données Année 2020-2021 Représentations parcimonieuses | |||
| 05 - Représentations parcimonieuses | 10 Feb 2021 | 01:28:30 | |
Stéphane Mallat Collège de France Science des données Année 2020-2021 Représentations parcimonieuses | |||
| 04 - Représentations parcimonieuses | 03 Feb 2021 | 01:23:32 | |
Stéphane Mallat Collège de France Science des données Année 2020-2021 Représentations parcimonieuses | |||
| 03 - Représentations parcimonieuses | 27 Jan 2021 | 01:22:40 | |
Stéphane Mallat Collège de France Science des données Année 2020-2021 Représentations parcimonieuses | |||
| 02 - Représentations parcimonieuses | 20 Jan 2021 | 01:25:24 | |
Stéphane Mallat Collège de France Science des données Année 2020-2021 Représentations parcimonieuses | |||
| 01 - Représentations parcimonieuses | 13 Jan 2021 | 01:23:59 | |
Stéphane Mallat Collège de France Science des données Année 2020-2021 Représentations parcimonieuses | |||
| 08 - Modèles multi-échelles et réseaux de neurones convolutifs | 15 Jun 2020 | 01:37:37 | |
Stéphane Mallat Collège de France Science des données Année 2019-2020 Modèles multi-échelles et réseaux de neurones convolutifs | |||
| 07 - Modèles multi-échelles et réseaux de neurones convolutifs | 11 Mar 2020 | 01:21:32 | |
Stéphane Mallat Collège de France Science des données Année 2019-2020 Modèles multi-échelles et réseaux de neurones convolutifs | |||
| 06 - Apprentissage et génération par échantillonnage aléatoire | 28 Feb 2024 | 01:36:22 | |
Stéphane Mallat Collège de France Science des données Année 2023-2024 06 - Apprentissage et génération par échantillonnage aléatoire | |||
| 06 - Modèles multi-échelles et réseaux de neurones convolutifs | 04 Mar 2020 | 01:27:58 | |
Stéphane Mallat Collège de France Science des données Année 2019-2020 Modèles multi-échelles et réseaux de neurones convolutifs | |||
| 05 - Modèles multi-échelles et réseaux de neurones convolutifs | 26 Feb 2020 | 01:25:46 | |
Stéphane Mallat Collège de France Science des données Année 2019-2020 Modèles multi-échelles et réseaux de neurones convolutifs | |||
| 04 - Modèles multi-échelles et réseaux de neurones convolutifs | 12 Feb 2020 | 01:20:02 | |
Stéphane Mallat Collège de France Science des données Année 2019-2020 Modèles multi-échelles et réseaux de neurones convolutifs | |||
| 03 - Modèles multi-échelles et réseaux de neurones convolutifs | 05 Feb 2020 | 01:29:20 | |
Stéphane Mallat Collège de France Science des données Année 2019-2020 Modèles multi-échelles et réseaux de neurones convolutifs | |||