Résumé
Pour comprendre l’impact des réseaux de neurones et les questions que cela pose, ce cours présente des applications très diverses : reconnaissance de la parole, traitement du langage naturel, prédiction de phénomènes physiques, neurophysiologie de la perception, ainsi que la modélisation et la génération de données complexes comme des images ou des sons.
L’analyse de la parole est un des domaines les plus anciens d’analyse de signaux, qui a émergé dès les années 1960. Les algorithmes d’analyse de la parole étaient souvent basés sur une représentation du signal par spectrogramme suivi d’un modèle de mixture de Gaussiennes optimisé avec une chaîne de Markov. Ces algorithmes ont été considérablement améliorés par les réseaux de neurones profonds y compris pour séparer des signaux audios mélangés, ce que l’on appelle de la séparation de sources. Une des questions est de comprendre le lien entre ces réseaux et les algorithmes plus classiques de reconnaissance, et d’expliquer l’amélioration importante qu’ils apportent.
Les théories du traitement du langage naturel ont considérablement influencé notre compréhension de la notion même d’intelligence. Ces théories ont beaucoup évolué depuis le structuralisme qui essaye de caractériser l’agrégation de structures élémentaires du langage jusqu’aux théories de grammaires formelles introduites par Chomsky. Le traitement informatique du langage naturel a commencé avec des modèles statistiques basés sur des chaînes de Markov et des modèles informatiques des grammaires formelles. Cependant, là encore les réseaux de neurones ont apporté des améliorations considérables pour des applications telles que la traduction automatique ou la génération de phrases pour répondre à des questions. Ce sont ces réseaux de neurones qui sont actuellement utilisés dans la plupart des applications commerciales.
