Machine learning

Une IA pour jouer à Codenames

Codenames est un jeu de société reposant sur les mots et les associations d’idées [1]. Dans ce projet, nous tenterons de développer une IA capable de jouer à ce jeu avec des êtres humains. Ce type de jeux est un défi pour les machines : jouer avec des mots suppose de bien en connaître le sens, les synonymes, le contexte dans lequel ils sont employés, etc.

Le projet comportera deux parties :

Force Atlas: Graph layout algorithm

Context

Drawing a graph is a very open question, dependent on specific needs of the user. However, a variety of algorithms exist to produce a nice layout for any graph just from its nodes and edges. Many rely on physical models (for instance placing springs between the nodes of a graph with stiffness based on the corresponding edge weights) and make simulations to find that model's equilibrium position which yields a layout.

Graph similarity estimation

Context

Graph isomorphism refers to the problem of deciding whether two graphs are identical. It has many applications in various domains, ranging from biology to cybersecurity. While NP-hard, this problem can be solved in most cases by simple heuristics, like Weisfeiler-Lehman's algorithm. This algorithm turns out to be useful not only to solve the problem of graph isomorphism but also to derive a distance between two graphs or to propagate labels in the context of semi-supervised learning.

Génération Automatique de video Deep Fake

Description du projet : Les méthodes récentes de deep learning permettent de générer facilement des vidéos deep fake en animant l’image d’une personne (https://youtu.be/u-0cQ-grXBQ). L’idée de ce projet est de créer une application qui permet de prendre la photo d’une personne et d’automatiquement créer une video deep fake de cette personne. Une méthode de l’état de l’art sera utilisé. La difficulté principale de ce projet réside dans le fait que les calculs devront être déportés sur une machine distante disposant d’un GPU.

Détection Automatique de video Deep Fake

Description du projet : Les méthodes récentes de deep learning permettent de générer facilement des vidéos deep fake en animant l’image d’une personne (https://youtu.be/u-0cQ-grXBQ). L’idée de ce projet est de créer une large base de donnée de video deepfake. Ensuite, cette base de donnée sera utilisée pour entraîner un réseau de neurones afin de détecter les videos deepfake.

Apprentissage avec contrainte de coût sur les caractéristiques / Machine with budget constraints on features

En machine learning classique, un problème arrive souvent présenté comme un ensemble de point de données annotées. Ces données peuvent en général être représentées dans un espace vectoriel dont la totalité ou une partie des dimensions est disponible. À partir de ces points, un modèle peut être appris afin de déduire depuis les caractéristiques en entrée les annotations recherchées.

Implémentation d’une méthode d’apprentissage par transfert basée sur la complexité

La classification est un problème de machine learning dans lequel l’ordinateur doit apprendre à attribuer des classes à des données à partir d’observations. Par exemple, un système de classification pour un commerce en ligne peut apprendre à distinguer les bons clients des mauvais clients à partir de données telles que le temps passé sur le site, le nombre de clics sur des articles et la somme moyenne dépensée sur le site.

Détection d’opinions dans des conversations entre un internaute et un agent virtuel

Pour les accompagner dans leur navigation, de nombreux sites web – marchands ou de services – intègrent des agents virtuels avec lequel les internautes peuvent dialoguer en chat. Dans le cadre de ces conversations, l’utilisateur peut être amené à exprimer ses sentiments et ses goûts. Afin de pouvoir répondre de manière appropriée, l’agent doit être capable de détecter cette composante affective du discours de l’utilisateur et la distinguer de son contenu plus factuel (demande de renseignements, signalement d’un problème technique, etc).

Subscribe to RSS - Machine learning