Notre environnement est complexe et changeant, ce qui apporte de l'incertitude dans les décisions de tous les jours. La capacité de détecter et résoudre l'incertitude est cruciale pour un comportement flexible et adapté. Notre hypothèse est que l'efficacité et la flexibilité comportementale en situation d'incertitude dépendent de la façon dont l'individu a appris à apprendre. Dans une 1ère étude, trois singes ont acquis un learning set pour une tâche aux règles stochastiques et changeantes. Leur réactivité aux évènements inattendus a augmenté lors de l'apprentissage, suivant l'évolution du degré d'incertitude environnementale. Cela a permis un transfert sans coût à une tâche plus complexe partageant la même structure, suggérant que les singes ont appris à apprendre la structure statistique de l'environnement. Nous avons ensuite étudié les mécanismes cérébraux sous-jacents à ce comportement flexible. Deux animaux ont reçu un implant d'électrocorticographie, sur les aires frontales et pariétales. Nous montrons d'abord, avec les données d'un animal, que des potentiels évoqués au feedback sont sensibles à la valence et au degré de surprise du feedback, et prédisent la stratégie à venir. Ensuite, nous présentons des résultats préliminaires montrant que des oscillations dans les bandes beta et thêta sont présentes au moment du feedback et de la décision, et que leur puissance est modulée de manière différente par les facteurs de la tâche. Ces résultats contribuent à révéler la complexité du réseau frontal pour la flexibilité comportementale, et ouvrent la voie à de nouvelles expériences pour comprendre comment ces mécanismes sont façonnés au cours du processus d'apprendre à apprendre / Our environment is both complex and changing, which triggers uncertainty in every decision we make. The ability to detect and solve the resulting uncertainty is crucial for adapted and flexible behavior. Our hypothesis is that behavioral efficiency and flexibility in an uncertain environment depend on the way the agent has learnt to learn. In a first study, 3 macaque monkeys developed a learning-set for a task with stochastic and changing rules. Monkey’s reactivity to unexpected feedback increased across learning and paralleled the evolution of the degree of environmental uncertainty. This enabled them to transfer, without cost, to a more complex task with the same structure, suggesting that they learned to learn the statistical structure of the environment. We then studied the cerebral mechanisms underpinning this flexible behavior. Two animals were implanted with an electrocorticography implant over the frontal and parietal areas. We first showed, using data from one animal, that feedback related potentials were sensitive to feedback valence and unexpectedness, and predictive of the upcoming behavioral strategy. Then, we present preliminary results showing that oscillations in the beta and theta bands can be recorded at the time of feedback and at the time of decision, and that their power is modulated differently depending on the various task factors. These results contribute to reveal the complexity of the frontal cortical network enabling behavioral flexibility and open new horizons for future research to understand how these mechanisms are shaped throughout the learning to learn process

Made available in DSpace on 2016-08-17T13:54:15Z (GMT). No. of bitstreams: 1 Leonardo Jose Pinho Coimbra.pdf: 847848 bytes, checksum: ca548ad7b3f633fad67b469d374f1db8 (MD5) Previous issue date: 2009-07-31 / Analyse des présuppositions politique-pédagogiques qui soutiennent la proposition éducationelle de la Fondation Bradesco à São Luís-MA. On prend comme paramètre pour cette analyse la proposition pédagogique, le référé curriculaire pour l‟enseignement d‟histoire et le rapport des activités de l‟année 2007, bien comme notre expérience comme enseignant de l‟éducation basilaire dans la Fondation Bradesco pendant les années 2005 et 2006. On vérifie la relation entre le discours pédagogique contemporain exprimé dans les documents analysés et la perspective éducationelle des entreprises par rapport à la formation de l‟ouvrier d‟après les présuppositions de la restructuration productive du capital et du néolibéralisme moyennant le discours des compétences pour l‟emploi et l‟idée pédagogique de l‟apprendre à apprendre . On va conclure que la Fondation Bradesco, par sa perspective pédagogique, renforce, dans la théorie comme dans la pratique, le discours du capital par rapport à la formation de la main d‟oeuvre mélée aux demandes actuelles du monde du travail. / Análise dos pressupostos político-pedagógicos que embasam a proposta educacional da Fundação Bradesco, em São Luís-MA. Toma-se como parâmetro para a análise do referido objeto, a proposta pedagógica, o referencial curricular para o ensino de história e o relatório de atividades do ano de 2007, além da vivencia como docente da educação básica, na referida instituição, entre os anos de 2005 e 2006. Verifica-se a relação entre o discurso pedagógico da contemporaneidade, expresso nos documentos analisados, e a perspectiva educacional do empresariado no que se refere à formação do trabalhador, conforme os pressupostos na reestruturação produtiva do capital e do neoliberalismo, através do discurso das competências para a empregabilidade e do ideário pedagógico do aprender a aprender . Conclui-se que a referida instituição, por meio de sua perspectiva pedagógica, reforça, no âmbito teórico e prático, o discurso do capital no que se refere a formação da força de trabalho, atrelada as atuais demandas no mundo do trabalho.

Ces dernières années, l'intelligence artificielle a été considérablement avancée et l'apprentissage en profondeur, où des réseaux de neurones profonds sont utilisés pour tenter d'imiter vaguement le cerveau humain, y a contribué de manière significative. Les réseaux de neurones profonds sont désormais capables d'obtenir un grand succès sur la base d'une grande quantité de données et de ressources de calcul suffisantes. Malgré leur succès, leur capacité à s'adapter rapidement à de nouveaux concepts, tâches et environnements est assez limitée voire inexistante. Dans cette thèse, nous nous intéressons à la façon dont les réseaux de neurones profonds peuvent s'adapter à des circonstances en constante évolution ou totalement nouvelles, de la même manière que l'intelligence humaine, et introduisons en outre des modules architecturaux adaptatifs et dynamiques ou des cadres de méta-apprentissage pour que cela se produise de manière efficace sur le plan informatique. Cette thèse consiste en une série d'études proposant des méthodes pour utiliser des calculs adaptatifs et dynamiques pour aborder les problèmes d'adaptation qui sont étudiés sous différentes perspectives telles que les adaptations au niveau de la tâche, au niveau temporel et au niveau du contexte. Dans le premier article, nous nous concentrons sur l'adaptation rapide des tâches basée sur un cadre de méta-apprentissage. Plus précisément, nous étudions l'incertitude du modèle induite par l'adaptation rapide à une nouvelle tâche avec quelques exemples. Ce problème est atténué en combinant un méta-apprentissage efficace basé sur des gradients avec une inférence variationnelle non paramétrique dans un cadre probabiliste fondé sur des principes. C'est une étape importante vers un méta-apprentissage robuste que nous développons une méthode d'apprentissage bayésienne à quelques exemples pour éviter le surapprentissage au niveau des tâches. Dans le deuxième article, nous essayons d'améliorer les performances de la prédiction de la séquence (c'est-à-dire du futur) en introduisant une prédiction du futur sauteur basée sur la taille du pas adaptatif. C'est une capacité critique pour un agent intelligent d'explorer un environnement qui permet un apprentissage efficace avec une imagination sauteur futur. Nous rendons cela possible en introduisant le modèle hiérarchique d'espace d'état récurrent (HRSSM) qui peut découvrir la structure temporelle latente (par exemple, les sous-séquences) tout en modélisant ses transitions d'état stochastiques de manière hiérarchique. Enfin, dans le dernier article, nous étudions un cadre qui peut capturer le contexte global dans les données d'image de manière adaptative et traiter davantage les données en fonction de ces informations. Nous implémentons ce cadre en extrayant des concepts visuels de haut niveau à travers des modules d'attention et en utilisant un raisonnement basé sur des graphes pour en saisir le contexte global. De plus, des transformations au niveau des caractéristiques sont utilisées pour propager le contexte global à tous les descripteurs locaux de manière adaptative. / Over the past few years, artificial intelligence has been greatly advanced, and deep learning, where deep neural networks are used to attempt to loosely emulate the human brain, has significantly contributed to it. Deep neural networks are now able to achieve great success based on a large amount of data and sufficient computational resources. Despite their success, their ability to quickly adapt to new concepts, tasks, and environments is quite limited or even non-existent. In this thesis, we are interested in how deep neural networks can become adaptive to continually changing or totally new circumstances, similarly to human intelligence, and further introduce adaptive and dynamic architectural modules or meta-learning frameworks to make it happen in computationally efficient ways. This thesis consists of a series of studies proposing methods to utilize adaptive and dynamic computations to tackle adaptation problems that are investigated from different perspectives such as task-level, temporal-level, and context-level adaptations. In the first article, we focus on task-level fast adaptation based on a meta-learning framework. More specifically, we investigate the inherent model uncertainty that is induced from quickly adapting to a new task with a few examples. This problem is alleviated by combining the efficient gradient-based meta-learning with nonparametric variational inference in a principled probabilistic framework. It is an important step towards robust meta-learning that we develop a Bayesian few-shot learning method to prevent task-level overfitting. In the second article, we attempt to improve the performance of sequence (i.e. future) prediction by introducing a jumpy future prediction that is based on the adaptive step size. It is a critical ability for an intelligent agent to explore an environment that enables efficient option-learning and jumpy future imagination. We make this possible by introducing the Hierarchical Recurrent State Space Model (HRSSM) that can discover the latent temporal structure (e.g. subsequences) while also modeling its stochastic state transitions hierarchically. Finally, in the last article, we investigate a framework that can capture the global context in image data in an adaptive way and further process the data based on that information. We implement this framework by extracting high-level visual concepts through attention modules and using graph-based reasoning to capture the global context from them. In addition, feature-wise transformations are used to propagate the global context to all local descriptors in an adaptive way.