Apprentissage machine en math

Apprentissage machine en mathématiques


Jeudis de 9h30 à 11h00, en présence à Villeurbanne, en salle 112,
parfois à Saint-Étienne,
toujours en visio et en VOD (gratuite).


Groupe de travail de l'Institut Camille Jordan

 

Apprentissage machine en mathématique

 

Résumé : Le groupe de travail "Apprentissage machine en mathématique" est une introduction aux façons dont l'apprentissage automatique (et en particulier l'apprentissage profond) a été utilisé pour résoudre des problèmes en mathématique.

Nous travaillerons sur les concepts, mais aussi de façon pragmatique en faisant des TP, pour essayer d'aboutir à une boîte à outils d'exemples simples, où l'on peut se faire une idée de ce que l'apprentissage automatique peut et ne peut pas faire. Nous voulons mettre l'accent sur les techniques d'apprentissage automatique en tant qu'outils pouvant être utilisés dans la recherche en mathématique, plutôt que comme une source de problèmes en soi. Le but n'est pas de devenir expert en IA, mais de savoir comment l'appliquer à nos problèmes de recherche.

 


Les premières séances seront des exposés pour comprendre les notions utilisées (apprentissage, perceptron, réseaux de neurones, descente de gradient...) en alternance avec des TP.


Ce groupe de travail est inspiré du séminaire https://sites.google.com/view/mlwm-seminar-2022 qui faisait suite à la publication de "Advancing mathematics by guiding human intuition with AI", une collaboration de Geordie Williamson (de l'Université de Sidney), Mark Lackenby et Andras Juhasz (à l'Université d'Oxford) avec l'équipe de Google Deepmind qui les a conduits à un nouveau théorème dans la théorie des nœuds et à une nouvelle conjecture dans la théorie des représentations.

Depuis, de nombreux exemples ont montré que des collègues partout dans le monde commencent à utiliser l'outil de l'apprentissage machine en math.

 

Horaires et programme :


Jeudis de 9h30 à 11h, en présence à Villeurbanne, en salle 112, parfois à Saint-Étienne, toujours en visio et en VOD (gratuite).
Groupe de travail "Apprentissage machine en maths"
Organisée par Stéphane Gaussent

https://ujmstetienne.webex.com/ujmstetienne/j.php?MTID=m419c1da0067f28b6ce7e4826df413f13
jeudi 5 octobre 2023 09:25 | 1 heure 45 minutes | (UTC+02:00) Bruxelles, Copenhague, Madrid, Paris
Se déroule tous les jeudi à partir du 05/10/2023 jusqu'au 27/06/2024 de 09:25 à 11:10, (UTC+02:00) Bruxelles, Copenhague, Madrid, Paris
Numéro de la réunion :
2795 245 9371
Mot de passe :
ieJtDYMj322

Rejoindre par système vidéo
Composer : 27952459371 @ ujmstetienne.webex.com
Vous pouvez également composer 62.109.219.4 et saisir votre numéro de votre réunion.

Rejoindre par téléphone
+33-1851-48835 France Toll
+33-1-7091-8646 France Toll 2

Code d'accès : 279 524 59371 

Premier exposé le 5/10/2023

 

Les séances :

 

  • 22/02/2024, Roland Denis, TP sur l'approche de Kyu Hwan Lee des coefficients de Kronecker

 

 

 

 

 

 

  • le 14/12/2023 (salle 112, bât. Braconnier, La Doua) : Felix Schremmer (Hong-Kong), Machine learning assisted exploration for affine Deligne–Lusztig varieties
    Vidéo
    Enregistrement de la réunion Webex : Groupe de travail "Apprentissage machine en maths"-20231214 0836-1
    Mot de passe : wD4rVZx7
    Lien d'enregistrement : https://ujmstetienne.webex.com/ujmstetienne/ldr.php?RCID=6c281c7f99479ab582f3a97375f36a47

    Diapositives

    Résumé:In this interdisciplinary study, we describe a procedure to assist and accelerate research in pure mathematics by using machine learning. We study affine Deligne–Lusztig varieties, certain geometric objects related to a number of mathematical questions, by carefully developing a number of machine learning models. This iterated pipeline yields well interpretable and highly accurate models, thus producing strongly supported mathematical conjectures. We explain how this method could have dramatically accelerated the research in the past. A completely new mathematical theorem, found by our ML-assisted method and proved using the classical mathematical tools of the field, concludes this study. This is joint work with Bin Dong, Pengfei Jin, Xuhua He and Qingchao Yu

 

 

 

 

 

  • le 26/10/2023  (salle 112, bât. Braconnier, La Doua) : Théo Lopès-Quintas, réseaux de neurones.
    - Diapos de l'exposé
    - Vidéo de l'exposé
    Enregistrement de la réunion Webex : Groupe de travail "Apprentissage machine en maths"-20231026 0734-1
    Mot de passe : 2cYnM6Y7

 

  • le 19/10/2023 (salle 112, bât. Braconnier, La Doua) : Roland Denis, 1er TP, introduction à Python
    - vidéo de l'exposé
    Enregistrement de la réunion Webex : Groupe de travail "Apprentissage machine en maths"-20231019 0741-1
    Mot de passe : NqE45JxX