エピソード
-
エピソードを見逃しましたか？
-
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.
-
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.
-
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.
-
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.
- もっと表示する
