ou comment entraîner et valider des algorithmes d’IA à partir de données inégales et limitées en quantité (volume) et en qualité (caractéristiques).
ou comment bénéficier de l’aspect multiple de certaines données, issues par exemple d’enregistrements multi-capteurs, et les traiter conjointement.
ou comment mieux représenter les spécificités des signaux audio dans les modèles d’apprentissage profond en hybridant des méthodes de traitement du signal avec des techniques d’apprentissage machine.
ou comment aller au-delà du paradigme d’apprentissage supervisé, dans lequel les données sont parfaitement bien étiquetées, pour apprendre à partir de données qui soient peu ou faiblement annotées.
ou comment aller au-delà du paradigme d’apprentissage supervisé, dans lequel les données sont parfaitement bien étiquetées, pour apprendre à partir de données qui soient peu ou faiblement annotées.