Oratrice : Noura Dridi (ENSMM)
Les réseaux de neurones (RN) constituent un outil performant pour diverses applications : prédiction, classification, … et qui couvrent plusieurs domaines: médical, géosciences, mécanique… Les RN sont moins restrictives en matière d’hypothèse sur le modèle représentant le système, comme ils sont basés sur un apprentissage par les données. Toutefois, tout système réel incarne plusieurs sources d’incertitude : erreurs de mesure, incertitude liée à l’algorithme de décision. Ainsi, il est important de mesurer et de quantifier cette incertitude. En particulier avec les algorithmes d’apprentissage profond, il est pertinent de fournir une décision avec un niveau de confiance. Je présenterai une méthode qui utilise la technique du dropout pour mesurer l’incertitude liée au RN. La méthode est équivalente à une approximation bayésienne d’un processus Gaussien i.e. minimiser la fonction coût du RN est équivalent à une approximation variationnelle de la distribution a posteriori de la fonction reliant les entrées et sorties. L’avantage que l’ajout de la couche dropout n’augmentera pas la complexité calculatoire de l’algorithme. Un exemple d’application pour la prédiction du mouvement d’éolienne en mer en fonction des conditions environnementales sera détaillé.