![[CESERH] CI La généalogie des formes dans la perspective du Deep Learning 8/11/2019 [1/9]](https://i.ytimg.com/vi/41y3zL5LJBM/maxresdefault.jpg)
[CESERH] CI La généalogie des formes dans la perspective du Deep Learning 8/11/2019 [1/9]
Mots-clés
Résumé
160 mots
Évaluation critique
Valeur des informations & solidité de l’argumentation
La valeur de l’exposé réside dans sa tentative originale de relier le deep learning à la sémiotique et à l’histoire des formes. L’argumentation est riche en concepts et en exemples tirés de l’art, du cinéma et de la peinture. Cependant, elle reste largement spéculative et exploratoire, sans présenter de données concrètes ou d’études de cas approfondies. Le conférencier propose des pistes mais n’apporte pas de démonstration systématique. La force de l’argumentation repose sur la mobilisation d’auteurs reconnus et une vision interdisciplinaire, mais elle pèche parfois par manque de clarté et de structure.
Rigueur scientifique, qualité des sources, adéquation du titre
La conférence cite plusieurs auteurs et traditions intellectuelles (Simondon, Focillon, Deleuze, Cassirer), mais ne fournit pas de références précises ni de bibliographie. La qualité des sources est néanmoins élevée, car il s’agit de figures académiques importantes. L’adéquation entre le titre et le contenu est partielle : le deep learning est présenté comme un outil potentiel, mais l’accent est mis sur la généalogie et la sémiotique. La vidéo ne fournit aucun lien vers des ressources externes. Dans l’ensemble, la rigueur scientifique est correcte, mais la présentation reste orale et peu formalisée.
197 mots
Adéquation titre / contenu
Le titre mentionne le deep learning, qui sert de toile de fond, mais l'exposé porte principalement sur une approche sémiotique et généalogique des formes ; adéquation partielle.
Qualité & fiabilité
7/10
Le contenu est riche et repose sur des références académiques, mais la présentation reste exploratoire et manque parfois de rigueur démonstrative.
Moments clés
Repères établis par PSI à partir de la transcription : le créateur n'a pas défini de chapitres.
- Introduction de l'intervenant et présentation de ses travaux.
- Discussion sur l'usage du deep learning pour l'analyse des formes et l'héritage de Simondon.
- Exemples de généalogies dans l'histoire du cinéma et de la peinture, comparaison de traditions.
- Réflexions sur la notion de forme, de résistance et le rôle des stéréotypes.
Sources citées
- Gilbert Simondon — Mentionné pour sa vision de l'informatique dans les sciences de la culture.
- Henri Focillon — Référence pour la morphologie et l'histoire des formes.
- Gilles Deleuze — Notions de territorialisation et de nouveauté dans l'analyse des formes.
Apport & nouveautés
L’apport original de cette conférence est de proposer un cadre conceptuel pour intégrer le deep learning dans l’analyse sémiotique et historique des formes visuelles. L’auteur suggère que les outils computationnels peuvent aider à révéler des généalogies et des transformations formelles souvent invisibles à l’œil humain, tout en soulignant la nécessité de les inscrire dans une pratique et une culture. Il ouvre ainsi la voie à une collaboration entre sciences humaines et informatique.
Pour aller plus loin :
- Sémiotique — Introduction générale à la discipline.
- Apprentissage profond — Présentation du deep learning et de ses applications.
- Henri Focillon — Historien de l’art dont les travaux sur la morphologie sont centraux.
- Gilbert Simondon — Philosophe de la technique et de l’individuation.
119 mots
Profil radar
Le profil radar présente des scores modérés pour la quantité et la qualité d'information, avec un niveau technique un peu plus faible, mais une fiabilité générale correcte. Cela indique un contenu riche et fiable, mais non démonstratif ni très technique.