Vladimir Vapnik

Vladimir Naumovitch Vapnik (russe : Владимир Наумович Вапник), né le 6 décembre 1936, est un mathématicien et informaticien, célèbre pour avoir développé les machines à support vectoriel, être l'un des principaux contributeurs à la théorie de Vapnik-Tchervonenkis et de la théorie de l'apprentissage statistique.

Vladimir Vapnik
Biographie
Naissance
Nationalité
Formation
Samarkand State University (en)
Activités
Autres informations
A travaillé pour
Domaine
Membre de
Distinctions
Œuvres principales

Biographie

Né en Union Soviétique, il obtient en 1958 un mastère de mathématiques à l'Université d'État d'Ouzbékistan, à Samarcande, en Ouzbékistan, puis obtient en 1964 un doctorat de statistiques à l'Institut des Sciences de Contrôle, à Moscou. Il travaille dans ce même institut de 1961 à 1990, et en devient le directeur du département de recherche en informatique.

En 1995, il est nommé professeur d'informatique et de statistiques au Royal Holloway College, à l'Université de Londres. Aux laboratoires Bell d'AT&T de 1991 à 2001?, Vladimir Vapnik et ses collègues développent la théorie des machines à support vectoriel (aussi appelées « machines à vecteurs de support », ou encore « séparateurs à vaste marge »), dont ils démontrent l'intérêt dans nombre des problématiques importantes de l'apprentissage des machines et des réseaux de neurones, tels que la reconnaissance de caractères.

Il travaille ensuite aux laboratoires NEC de Princeton, dans le New Jersey, aux États-Unis, ainsi qu'à l'université Columbia, à New York.

En 2006, Vladimir Vapnik est admis à l'Académie nationale d'ingénierie des États-Unis.

En 2008, il a conjointement avec Corinna Cortes reçu le prix Paris-Kanellakis pour la théorie et la pratique pour le développement d'un algorithme hautement efficace pour l'apprentissage supervisé connu sous le nom de machines à vecteurs de support (SVM)[1].

En novembre 2014, il rejoint le laboratoire de recherche sur l'intelligence artificielle de Facebook où il travaille avec Jason Weston, Ronan Collobert et Yann LeCun[2].

Il reçoit la médaille John von Neumann en 2017[3].

Bibliographie

  • On the uniform convergence of relative frequencies of events to their probabilities (De la convergence uniforme des fréquences relatives des évènements vers leur probabilité), avec A. Y. Chervonenkis, 1971
  • Necessary and sufficient conditions for the uniform convergence of means to their expectations (Conditions nécessaires et suffisantes pour la convergence uniforme des moyennes vers leur espérance), avec A. Y. Chervonenkis, 1981
  • Estimation of Dependences Based on Empirical Data (Estimation des dépendances à partir de données empiriques), 1982
  • The Nature of Statistical Learning Theory (La nature de la théorie de l'apprentissage statistique), 1995
  • Statistical Learning Theory (Théorie de l'apprentissage statistique), 1998
  • Estimation of Dependences Based on Empirical Data (Estimation des dépendances à partir de données empiriques), réédition 2006 (Springer), qui contient également un essai philisophique sur la Science de l'inférence empirique (Empirical Inference Science), 2006

Notes et références

  1. Corinna Cortes et Vladimir Vapnik, « Support-Vector Networks », Machine Learning, vol. 20, , p. 273–297
  2. (en) « Facebook’s AI team hires Vladimir Vapnik, father of the popular support vector machine algorithm », VentureBeat, (lire en ligne)
  3. IEEE JOHN VON NEUMANN MEDAL RECIPIENTS [PDF]

Voir aussi

Articles connexes

Liens externes

  • Portail des mathématiques
  • Portail de l’informatique
  • Portail de la Russie
Cet article est issu de Wikipedia. Le texte est sous licence Creative Commons - Attribution - Sharealike. Des conditions supplémentaires peuvent s'appliquer aux fichiers multimédias.