Pionniers
Les personnes derrière la théorie. Contributions documentées, des fondateurs des probabilités et de l’inférence statistique aux architectes de l’apprentissage automatique moderne.
Carl Friedrich Gauss
Mathématiques classiques
A développé les moindres carrés et la loi normale sur laquelle repose la régression.
Ronald A. Fisher
Statistique moderne
A formalisé le maximum de vraisemblance et le plan d’expérience.
John von Neumann
Théorie des jeux et informatique
A démontré le théorème du minimax et cofondé la théorie des jeux.
Andrey Kolmogorov
Fondements des probabilités
A doté la théorie des probabilités d’une base axiomatique rigoureuse.
Alan Turing
Fondements du calcul
A défini formellement le calcul et posé la question de l’intelligence des machines.
Claude E. Shannon
Théorie de l’information
A fondé la théorie de l’information et défini l’entropie comme mesure de l’incertitude.
John McCarthy
Fondation de l’IA
A nommé le champ de l’intelligence artificielle et créé le langage Lisp.
Marvin Minsky
Fondation de l’IA
A cofondé le laboratoire d’IA du MIT et analysé les limites des réseaux à une couche.
Frank Rosenblatt
Premiers réseaux de neurones
A construit le perceptron, le premier neurone artificiel entraînable.
Leo Breiman
Apprentissage statistique
A créé le bagging et les forêts aléatoires, et formalisé les arbres de décision.
John Nash
Théorie des jeux
A démontré que tout jeu fini possède un équilibre, généralisant la théorie des jeux au-delà de la somme nulle.
Thomas Bayes
Fondements des probabilités
A donné la règle de révision d’une probabilité à la lumière d’un indice.
Vladimir Vapnik
Théorie de l’apprentissage statistique
A codéveloppé la machine à vecteurs de support et la théorie de l’apprentissage statistique.
Judea Pearl
Raisonnement probabiliste
A rendu le raisonnement probabiliste traitable par les réseaux bayésiens, puis formalisé la causalité.
Geoffrey Hinton
Apprentissage profond
A coécrit l’article qui fit connaître largement la rétropropagation, et mené le renouveau de l’apprentissage profond.
Yann LeCun
Apprentissage profond
A développé les réseaux convolutifs et les a démontrés à l’échelle sur de vraies tâches de reconnaissance.
Yoshua Bengio
Apprentissage profond
A fait progresser les approches neuronales du langage, dont les représentations distribuées de mots.
Les fiches n’utilisent que des faits professionnels publiquement documentés. Si vous êtes une personne citée ici, ou pouvez en corriger les détails, et souhaitez ajouter un lien de profil vérifié, contactez-nous.