Apprentissage automatique : introduction générale et application aux approches expérimentales - Arthur France-Lanord

Depuis quelques années, l'apprentissage automatique – en anglais, machine learning – transforme la recherche scientifique, par la combinaison de l'arrivée à maturité de nombreuses approches et algorithmes, et la croissance exponentielle de la puissance de calcul. La caractérisation expérimentale n'est pas épargnée : de la spectroscopie à l'imagerie, toute une flopée de méthodes reposant sur l'exploitation de larges bases de données est apparue. Au cours de ce séminaire, j'aborderai les principes de base de l’apprentissage automatique, indispensables à la bonne définition, optimisation, validation, et utilisation d'un modèle. Dans une seconde partie, je présenterai quelques exemples de méthodes statistiques appliquées à la caractérisation expérimentale, notamment à la microscopie électronique ; celles-ci permettent par exemple d’améliorer le rapport signal sur bruit d’une mesure, d’identifier automatiquement des traits particuliers, ou encore d’optimiser la déconvolution d’un signal. 

Par : Arthur France-Lanord, chargé de recherche dans l'équipe Physique des systèmes simples en conditions extrêmes (PHYSIX) de l'IMPMC.