Nous vivons une révolution inouïe, inimaginable il y a encore cinquante ans, celle de la machine qui apprend, et qui apprend par elle-même.

Au lieu d’exécuter les ordres d’un programme, la machine peut désormais acquérir par elle-même, par l’expérience, les capacités nécessaires pour accomplir les tâches qui lui sont assignées, y compris celles que l’on croyait réservées à l’humain. Les applications sont immenses : reconnaissance des formes, des voix, des images et des visages, voiture autonome, traduction de centaines de langues, détection des tumeurs dans les images médicales…

Yann Le Cun est à l’origine de cette révolution. Il est en effet l’un des inventeurs de l’apprentissage profond, le deep learning, qui caractérise un réseau de neurones artificiels dont l’architecture et le fonctionnement s’inspirent du cerveau.

C’est à la naissance de cette nouvelle forme d’intelligence, à l’émergence d’un système quasiment auto-organisateur, que nous convie Yann Le Cun.

Un livre qui évoque la démarche intellectuelle d’un inventeur au carrefour de l’informatique et des neurosciences.
Un livre qui éclaire l’avenir de l’intelligence artificielle, ses enjeux, ses promesses et ses risques.

Un livre passionnant, clair et accessible, qui nous fait pénétrer au cœur de la machine et nous fait découvrir un nouveau monde fascinant, qui est déjà le nôtre.

Yann Le Cun, lauréat du prix Turing, est professeur à New York University et dirige la recherche fondamentale chez Facebook. 

1. Couverture
2. Titre
3. Copyright
4. Introduction
5. CHAPITRE 1 - La révolution de l'IA
   1. Omniprésente IA
   2. L'IA artiste
   3. Humanoïdes ? Du bluff !
   4. Des GOFAI…
   5. … au machine learning
   6. Cocktail d'ancien et de moderne
   7. Essai de définition
   8. Mise au point
   9. Le grand air de l'algorithme
6. CHAPITRE 2 - Brève histoire de l'IA… et de ma carrière
   1. L'éternelle quête
   2. La logique avant toute chose
   3. Le monde du jeu
   4. Neurosciences et perceptron
   5. L'hiver général
   6. Lunatic fringe
   7. Entrée en scène
   8. Fructueuses lectures
   9. Modèles connexionnistes de l'apprentissage
   10. Les Houches
   11. De l'usage de la rétropropagation de gradient
   12. Le Saint des saints
   13. Les années Bell Labs
   14. Un tabou ?
   15. La conspiration du deep learning
   16. L'efficacité des réseaux convolutifs se confirme
7. CHAPITRE 3 - Machines apprenantes simples
   1. Inspirante aplysie
   2. L'apprentissage et la minimisation de l'erreur : un exemple
   3. Trouver f(x) qui prédit les y en fonction des x
   4. Une parenthèse pour les matheux…
   5. Galilée et la tour de Pise
   6. Reconnaître des images… ou autre chose
   7. Frank Rosenblatt, Bernie Widrow et le perceptron
   8. Une grille de 25 pixels
   9. Distinguer un C d'un D
   10. Apprentissage supervisé et généralisation
   11. Limites du perceptron
   12. Solutions : extraire des caractéristiques
   13. Conclusion
8. CHAPITRE 4 - Apprentissage par minimisation, théorie de l'apprentissage
   1. Introduction
   2. Fonction de coût
   3. Le fond de la vallée
   4. La descente de gradient en pratique
   5. Le gradient stochastique
   6. Vallées suspendues
   7. Théorie générale de l'apprentissage
   8. Le choix du modèle
   9. La vache et les trois scientifiques
   10. La règle du rasoir d'Ockham
   11. Le protocole d'entraînement
   12. Le nécessaire compromis de Vapnik
   13. Le vertige de la fonction booléenne
   14. Quelques exemples de fonctions possibles
   15. Régularisation : modérer la capacité d'un modèle
   16. Les leçons pour l'homme
9. CHAPITRE 5 - Réseaux profonds et rétropropagation
   1. Le mille-feuille
   2. Neurones continus
   3. Mon HLM !
   4. La course
   5. Le Graal… et un peu de maths
   6. De l'utilité des couches multiples
   7. Objections non retenues
   8. Apprendre les caractéristiques
10. CHAPITRE 6 - Les réseaux convolutifs, piliers de l'IA
    1. La bombe de 2012
    2. Le cortex visuel : les cellules simples
    3. Le cortex visuel : les cellules complexes et le pooling
    4. Fukushima visionnaire
    5. Flash-back
    6. Les réseaux convolutifs
    7. Détection, localisation, segmentation et reconnaissance d'objets
    8. Segmentation sémantique avec réseau convolutif
11. CHAPITRE 7 - Dans le ventre de la machine ou le deep learning aujourd'hui
    1. Reconnaissance d'image
    2. Enchâssement de contenu et mesure de similarité
    3. Reconnaissance de la parole
    4. Synthèse de la parole et du son
    5. Compréhension du langage et traduction
    6. Les prédictions
    7. L'IA et la science
    8. L'architecture des grandes applications : la voiture autonome
    9. Autonomie et système mixte
    10. Autonomie totale ? Entraînement de bout en bout
    11. L'architecture des grandes applications : l'assistant virtuel
    12. L'architecture des grandes applications : l'imagerie médicale et la médecine
    13. Vieilles recettes : les algorithmes de recherche
12. CHAPITRE 8 - Les années Facebook
    1. Recruté par Mark Zuckerberg
    2. Les laboratoires de recherche de Facebook
    3. Cahier des charges ?
    4. Le filtrage d'informations
    5. Parlons brièvement de Cambridge Analytica
    6. Newsfeed
    7. Facebook et l'avenir des médias
    8. Le nouveau Facebook
    9. Les chantiers de FAIR
    10. Le prix Turing
13. CHAPITRE 9 - Et demain ? Perspectives et défis de l'IA
    1. Inspirante nature… jusqu'à un certain point
    2. Les limites de l'apprentissage-machine : l'apprentissage supervisé
    3. L'apprentissage par renforcement
    4. Les limites de l'apprentissage par renforcement
    5. Le fameux sens commun
    6. L'idéal de l'apprentissage humain ou « autosupervisé »
    7. L'apprentissage autosupervisé
    8. Prédictions multiples et variables latentes
    9. Une capacité de prédiction ?
    10. L'architecture de systèmes intelligents autonomes
    11. Deep learning et raisonnement : les réseaux dynamiques
    12. Les objets intelligents
    13. L'avenir selon l'IA
14. CHAPITRE 10 - Enjeux
    1. L'IA va transformer la société et l'économie
    2. L'écosystème de l'innovation en IA
    3. À qui profitera la révolution ?
    4. Risque de dérive militaire ?
    5. Alerte aux dangers : biais et dérives sécuritaires
    6. L'IA doit-elle être explicable ?
    7. Mieux comprendre l'intelligence humaine ?
    8. Le cerveau n'est-il qu'une machine ?
    9. Tous les modèles sont faux…
    10. Les voix inquiètes
    11. Une merveilleuse exécutante
    12. L'inné ? C'est acquis
    13. Les machines seront-elles conscientes ?
    14. Le rôle du langage dans la pensée
    15. Les machines auront-elles des émotions ?
    16. Les robots voudront-ils prendre le pouvoir ?
    17. L'alignement de valeurs
    18. La nouvelle frontière
    19. Une science de l'intelligence ?
15. Conclusion
16. Glossaire
17. Remerciements
18. Table