🤖Réseaux de neurones🤖

News

• 2023-01-16 Les consignes pour les projets sont en ligne.
• 2022-11-21 Premier cours du semestre le 23/11/2022

Infos pratiques

• Quoi « Réseaux de neurones »
• Où Salle 219, bâtiment Paul Ricœur
• Quand 8 séances, les mercredi de 9:30 à 12:30, du 23/11/22 au 25/01/23
  • Voir le planning pour les dates exactes (quand il aura été mis en ligne)
• Contact Loïc Grobol lgrobol@parisnanterre.fr

Note ce cours remplace pour l’année 2022-2023 le cours « arbres, graphes, réseaux »

Liens utiles

• Lien Binder de secours :
• Consignes pour les projets.

Séances

Tous les supports sont sur github, voir Utilisation en local pour les utiliser sur votre machine comme des notebooks. À défaut, ce sont des fichiers Markdown assez standards, qui devraient se visualiser correctement sur la plupart des plateformes (mais ne seront pas dynamiques).

Les slides et les notebooks ci-dessous ont tous des liens Binder pour une utilisation interactive sans rien installer. Les slides ont aussi des liens vers une version HTML statique utile si Binder est indisponible.

2022-11-23 — Historique et perceptron simple

• Notebook perceptron simple

2022-12-07 - Perceptron multi-couches

• Notebook perceptron multi-couches

2023-01-03 — Transformers

• Notebook demo
• Cours 🤗 Transformers

2023-01-10 — Descente de gradient et backpropagation

Un peu de lecture supplémentaire :

• Pour les maths et les visuels, la leçon backpropagation calculus de 3blue1brown est bien.
• Pour l’historique, l’article Backpropagation de Wikipedia en est pas mal.
• Pour une zoologie des variantes de l’algo de descente de gradient, Sebastian Ruder a fait une bonne synthèse

2023-01-18 — Modèles de génération de séquences

Articles cités :

• Adelani, David, Jesujoba Alabi, Angela Fan, Julia Kreutzer, Xiaoyu Shen, Machel Reid, Dana Ruiter, et al. 2022. “A Few Thousand Translations Go a Long Way! Leveraging Pre-Trained Models for African News Translation.” In Proceedings of the 2022 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies, 3053–70. Seattle, United States: Association for Computational Linguistics.
• Bahdanau, Dzmitry, Kyunghyun Cho, and Yoshua Bengio. 2015. “Neural Machine Translation by Jointly Learning to Align and Translate.” In Proceedings of the 3rd International Conference on Learning Representations, edited by Yoshua Bengio and Yann LeCun. San Diego, California, USA.
• Fan, Angela, Shruti Bhosale, Holger Schwenk, Zhiyi Ma, Ahmed El-Kishky, Siddharth Goyal, Mandeep Baines, et al. 2021. “Beyond English-Centric Multilingual Machine Translation.” The Journal of Machine Learning Research 22 (1): 107:4839-107:4886.
• Levy, Omer, Kenton Lee, Nicholas FitzGerald, and Luke Zettlemoyer. 2018. “Long Short-Term Memory as a Dynamically Computed Element-Wise Weighted Sum.” ArXiv:1805.03716 [Cs, Stat], May.
• Lewis, Mike, Yinhan Liu, Naman Goyal, Marjan Ghazvininejad, Abdelrahman Mohamed, Omer Levy, Veselin Stoyanov, and Luke Zettlemoyer. 2020. “BART: Denoising Sequence-to-Sequence Pre-Training for Natural Language Generation, Translation, and Comprehension.” In Proceedings of the 58th Annual Meeting of the Association for Computational Linguistics, 7871–80. Online: Association for Computational Linguistics.
• Merrill, William, Gail Weiss, Yoav Goldberg, Roy Schwartz, Noah A. Smith, and Eran Yahav. 2020. “A Formal Hierarchy of RNN Architectures.” In Proceedings of the 58th Annual Meeting of the Association for Computational Linguistics, 443–59. Online: Association for Computational Linguistics.
• Vaswani, Ashish, Noam Shazeer, Niki Parmar, Jakob Uszkoreit, Llion Jones, Aidan N Gomez, Łukasz Kaiser, and Illia Polosukhin. 2017. “Attention Is All You Need.” In Advances in Neural Information Processing Systems 30, edited by I. Guyon, U. V. Luxburg, S. Bengio, H. Wallach, R. Fergus, S. Vishwanathan, and R. Garnett, 5998–6008. Long Beach, California: Curran Associates, Inc..
• Weiss, Gail, Yoav Goldberg, and Eran Yahav. 2018. “On the Practical Computational Power of Finite Precision RNNs for Language Recognition.”, 2:740–45. Melbourne, Australia: Association for Computational Linguistics.

2023-01-25 — Biais, attaques, données

Articles cités :

• Abid, Abubakar, Maheen Farooqi, and James Zou. 2021a. “Large Language Models Associate Muslims with Violence.” Nature Machine Intelligence 3 (6): 461–63. https://doi.org/10.1038/s42256-021-00359-2.
• Abid, Abubakar, Maheen Farooqi, and James Zou. 2021b. “Persistent Anti-Muslim Bias in Large Language Models.” In Proceedings of the 2021 AAAI/ACM Conference on AI, Ethics, and Society, 298–306. AIES ’21. New York, NY, USA: Association for Computing Machinery. https://doi.org/10.1145/3461702.3462624.
• Adelani, David, Jesujoba Alabi, Angela Fan, Julia Kreutzer, Xiaoyu Shen, Machel Reid, Dana Ruiter, et al. 2022. “A Few Thousand Translations Go a Long Way! Leveraging Pre-Trained Models for African News Translation.” In Proceedings of the 2022 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies, 3053–70. Seattle, United States: Association for Computational Linguistics. https://doi.org/10.18653/v1/2022.naacl-main.223.
• Artetxe, Mikel, and Holger Schwenk. 2019. “Massively Multilingual Sentence Embeddings for Zero-Shot Cross-Lingual Transfer and Beyond.” Transactions of the Association for Computational Linguistics 7 (September): 597–610. https://doi.org/10.1162/tacl_a_00288.

• Bender, Emily M., Timnit Gebru, Angelina McMillan-Major, and Shmargaret Shmitchell. 2021. “On the Dangers of Stochastic Parrots: Can Language Models Be Too Big? 🦜.” In Proceedings of the 2021 ACM Conference on Fairness, Accountability, and Transparency, 610–23. FAccT ’21. New York, NY, USA: Association for Computing Mac –>

• Abid, Abubakar, Maheen Farooqi, and James Zou. 2021a. “Large Language Models Associate Muslims with Violence.” Nature Machine Intelligence 3 (6): 461–63. https://doi.org/10.1038/s42256-021-00359-2.
• Abid, Abubakar, Maheen Farooqi, and James Zou. 2021b. “Persistent Anti-Muslim Bias in Large Language Models.” In Proceedings of the 2021 AAAI/ACM Conference on AI, Ethics, and Society, 298–306. AIES ’21. Nehinery. https://doi.org/10.1145/3442188.3445922.
• Birhane, Abeba. 2022. “ChatGPT, Galactica, and the Progress Trap.” Wired, December 9, 2022. https://www.wired.com/story/large-language-models-critique/.
• Caliskan, Aylin, Joanna J. Bryson, and Arvind Narayanan. 2017. “Semantics Derived Automatically from Language Corpora Contain Human-like Biases.” Science 356 (6334): 183–86. https://doi.org/10.1126/science.aal4230.
• Cheng, Pengyu, Weituo Hao, Siyang Yuan, Shijing Si, and Lawrence Carin. 2022. “FairFil: Contrastive Neural Debiasing Method for Pretrained Text Encoders.” In . https://openreview.net/forum?id=N6JECD-PI5w.
• Fan, Angela, Shruti Bhosale, Holger Schwenk, Zhiyi Ma, Ahmed El-Kishky, Siddharth Goyal, Mandeep Baines, et al. 2021. “Beyond English-Centric Multilingual Machine Translation.” The Journal of Machine Learning Research 22 (1): 107:4839-107:4886.
• Gonen, Hila, and Yoav Goldberg. 2019. “Lipstick on a Pig: Debiasing Methods Cover up Systematic Gender Biases in Word Embeddings But Do Not Remove Them.” In Proceedings of the 2019 Workshop on Widening NLP, 60–63. Association for Computational Linguistics. https://www.aclweb.org/anthology/W19-3621/.
• Gonen, Hila, Yova Kementchedjhieva, and Yoav Goldberg. 2019. “How Does Grammatical Gender Affect Noun Representations in Gender-Marking Languages?” In Proceedings of the 23rd Conference on Computational Natural Language Learning (CoNLL), 463–71. Association for Computational Linguistics. https://doi.org/10.18653/v1/K19-1043.
• Gonen, Hila, Shauli Ravfogel, and Yoav Goldberg. 2022. “Analyzing Gender Representation in Multilingual Models.” arXiv. https://doi.org/10.48550/arXiv.2204.09168.
• Gonen, Hila, and Kellie Webster. 2020. “Automatically Identifying Gender Issues in Machine Translation Using Perturbations.” In Findings of the Association for Computational Linguistics: EMNLP 2020, 1991–95. Online: Association for Computational Linguistics. https://doi.org/10.18653/v1/2020.findings-emnlp.180.
• Kreutzer, Julia, Isaac Caswell, Lisa Wang, Ahsan Wahab, Daan van Esch, Nasanbayar Ulzii-Orshikh, Allahsera Tapo, et al. 2022. “Quality at a Glance: An Audit of Web-Crawled Multilingual Datasets.” Transactions of the Association for Computational Linguistics 10 (January): 50. https://doi.org/10.1162/tacl_a_00447.
• Liang, Sheng, Philipp Dufter, and Hinrich Schütze. 2020. “Monolingual and Multilingual Reduction of Gender Bias in Contextualized Representations.” In Proceedings of the 28th International Conference on Computational Linguistics, 5082–93. Barcelona, Spain (Online): International Committee on Computational Linguistics. https://doi.org/10.18653/v1/2020.coling-main.446.
• Lucy, Li, and David Bamman. 2021. “Gender and Representation Bias in GPT-3 Generated Stories.” In Proceedings of the Third Workshop on Narrative Understanding, 48–55. Virtual: Association for Computational Linguistics. https://doi.org/10.18653/v1/2021.nuse-1.5.
• Mikolov, Tomas, Wen-tau Yih, and Geoffrey Zweig. 2013. “Linguistic Regularities in Continuous Space Word Representations.” In Proceedings of the 2013 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies, 746–51. Atlanta, Georgia: Association for Computational Linguistics. https://aclanthology.org/N13-1090.
• Perez, Fábio, and Ian Ribeiro. 2022. “Ignore Previous Prompt: Attack Techniques For Language Models.” arXiv. https://doi.org/10.48550/arXiv.2211.09527.
• Perrigo, Billy. 2023. “The $2 Per Hour Workers Who Made ChatGPT Safer.” Time, January 18, 2023. https://time.com/6247678/openai-chatgpt-kenya-workers/.
• Prabhakaran, Vinodkumar, Margaret Mitchell, Timnit Gebru, and Iason Gabriel. 2022. “A Human Rights-Based Approach to Responsible AI.” arXiv. https://doi.org/10.48550/arXiv.2210.02667.
• Prost, Flavien, Nithum Thain, and Tolga Bolukbasi. 2019. “Debiasing Embeddings for Reduced Gender Bias in Text Classification.” In Proceedings of the First Workshop on Gender Bias in Natural Language Processing, 69–75. Florence, Italy: Association for Computational Linguistics. https://doi.org/10.18653/v1/W19-3810.
• Ravfogel, Shauli, Yanai Elazar, Hila Gonen, Michael Twiton, and Yoav Goldberg. 2020. “Null It Out: Guarding Protected Attributes by Iterative Nullspace Projection.” In Proceedings of the 58th Annual Meeting of the Association for Computational Linguistics, 7237–56. Online: Association for Computational Linguistics. https://doi.org/10.18653/v1/2020.acl-main.647.
• Steed, Ryan, Swetasudha Panda, Ari Kobren, and Michael Wick. 2022. “Upstream Mitigation Is NOt All You Need: Testing the Bias Transfer Hypothesis in Pre-Trained Language Models.” In Proceedings of the 60th Annual Meeting of the Association for Computational Linguistics (Volume 1: Long Papers), 3524–42. Dublin, Ireland: Association for Computational Linguistics. https://doi.org/10.18653/v1/2022.acl-long.247.
• Wallace, Eric, Shi Feng, Nikhil Kandpal, Matt Gardner, and Sameer Singh. 2019. “Universal Adversarial Triggers for Attacking and Analyzing NLP.” In Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing and the 9th International Joint Conference on Natural Language Processing, 2153–62. Association for Computational Linguistics. https://doi.org/10.18653/v1/D19-1221.
• Weidinger, Laura, John Mellor, Maribeth Rauh, Conor Griffin, Jonathan Uesato, Po-Sen Huang, Myra Cheng, et al. 2021. “Ethical and Social Risks of Harm from Language Models.” arXiv. https://doi.org/10.48550/arXiv.2112.04359.

Lire les slides en local

Les supports de ce cours sont écrits en Markdown, convertis en notebooks avec Jupytext. C’est entre autres une façon d’avoir un historique git propre, malheureusement ça signifie que pour les ouvrir en local, il faut installer les extensions adéquates. Le plus simple est le suivant

1. Récupérez le dossier du cours, soit en téléchargeant et décompressant l’archive soit en le clonant avec git : git clone https://github.com/LoicGrobol/neural-networks.git et placez-vous dans ce dossier.

2. Créez un environnement virtuel pour le cours

   python3 -m virtualenv .venv
   source .venv/bin/activate
   

3. Installez les dépendances

   pip install -U -r requirements.txt
   

4. Lancez Jupyter

   jupyter notebook
   

   JupyterLab est aussi utilisable, mais la fonctionnalité slide n’y fonctionne pas pour l’instant.

Ressources

Apprentissage artificiel

• Speech and Language Processing de Daniel Jurafsky et James H. Martin est indispensable. Il est disponible gratuitement, n’hésitez pas à le consulter très fréquemment.
• Apprentissage artificiel - Concepts et algorithmes d’Antoine Cornuéjols et Laurent Miclet. Plus ancien mais en français et une référence très complète sur l’apprentissage (en particulier non-neuronal). Il est un peu cher alors si vous voulez l’utiliser, commencez par me demander et je vous prêterai le mien.

Python général

Il y a beaucoup, beaucoup de ressources disponibles pour apprendre Python. Ce qui suit n’est qu’une sélection.

Livres

Ils commencent à dater un peu, les derniers gadgets de Python n’y seront donc pas, mais leur lecture reste très enrichissante (les algos, ça ne vieillit jamais vraiment).

• How to think like a computer scientist, de Jeffrey Elkner, Allen B. Downey, and Chris Meyers. Vous pouvez l’acheter. Vous pouvez aussi le lire ici
• Dive into Python, by Mark Pilgrim. Ici vous pouvez le lire ou télécharger le pdf.
• Learning Python, by Mark Lutz.
• Beginning Python, by Magnus Lie Hetland.
• Python Algorithms: Mastering Basic Algorithms in the Python Language, par Magnus Lie Hetland. Peut-être un peu costaud pour des débutants.
• Programmation Efficace. Les 128 Algorithmes Qu’Il Faut Avoir Compris et Codés en Python au Cours de sa Vie, by Christoph Dürr and Jill-Jênn Vie. Si le cours vous paraît trop facile. Le code Python est clair, les difficultés sont commentées. Les algos sont très costauds.

Web

Il vous est vivement conseillé d’utiliser un (ou plus) des sites et tutoriels ci-dessous.

• Real Python, des cours et des tutoriels souvent de très bonne qualité et pour tous niveaux.
• Un bon tuto NumPy qui va de A à Z.
• Coding Game. Vous le retrouverez dans les exercices hebdomadaires.
• Code Academy
• newcoder.io. Des projets commentés, commencer par ‘Data Visualization’
• Google’s Python Class. Guido a travaillé chez eux. Pas ce Guido, celui-là
• Mooc Python. Un mooc de l’INRIA, carré.
• Code combat

Divers

• La chaîne YouTube 3blue1brown pour des vidéos de maths générales.
• La chaîne YouTube de Freya Holmér plutôt orientée game design, mais avec d’excellentes vidéos de géométrie computationnelle.

Licences

Copyright © 2022 Loïc Grobol <loic.grobol@gmail.com>

Sauf indication contraire, les fichiers présents dans ce dépôt sont distribués selon les termes de la licence Creative Commons Attribution 4.0 International. Voir le README pour plus de détails.

Un résumé simplifié de cette licence est disponible à https://creativecommons.org/licenses/by/4.0/.

Le texte intégral de cette licence est disponible à https://creativecommons.org/licenses/by/4.0/legalcode