Suis nous sur
CIFAR header logo
en
menu_mobile_logo_alt
  • NOTRE IMPACT
    • Pourquoi le CIFAR?
    • Pôles d’impact
    • Nouvelles
    • Stratégie du CIFAR
    • Favoriser la résilience de la Terre
    • Impact IA
    • Impact des dons
    • CIFAR 40
  • Activités
    • Événements publics
    • Réunions sur invitation seulement
  • Programmes
    • Programmes de recherche
    • Stratégie pancanadienne en matière d’IA
    • Initiatives à l’intention de la prochaine génération
  • Communauté
    • Membres et spécialiste-conseils
    • Chercheurs mondiaux CIFAR-Azrieli
    • Chaires en IA Canada-CIFAR
    • Direction – Stratégie en matière d’IA
    • Membres du réseau de solutions
    • Direction – CIFAR
    • Répertoire du personnel
  • Soutenez-nous
  • À propos
    • Notre histoire
    • Prix
    • Partenariats
    • Publications et rapports
    • Carrières
    • Équité, diversité et inclusion
    • Déclaration du CIFAR sur la neutralité institutionnelle
    • Sécurité de la recherche
  • en
  • Accueil
  • Bio

Suivez-nous

Richard S

Richard S. Sutton

La nomination

Titulaire de chaire en IA Canada-CIFAR

Stratégie pancanadienne en matière d’IA

Connect

Université de l’Alberta

Google Scholar

À Propos

Titulaire de chaire en IA Canada-CIFAR – Nouveau mandat – 2021

Richard Sutton est titulaire d’une chaire en IA Canada-CIFAR et membre auxiliaire du programme Apprentissage automatique, apprentissage biologique du CIFAR. Il est conseiller scientifique en chef de l’Amii et professeur au département d’informatique de l’Université de l’Alberta.

Richard S. Sutton est un pionnier et demeure un leader de l’apprentissage par renforcement, une approche de l’intelligence artificielle et naturelle qui met l’accent sur l’apprentissage et la planification à partir d’un échantillon d’expériences. Il cherche surtout à comprendre ce que signifient être intelligent, prévoir et influencer le monde, apprendre, percevoir, agir et penser. Il tente d’identifier les principes généraux de calcul qui sous-tendent ce que nous entendons par intelligence et comportement orienté vers un but. Au cours de sa carrière, il a fait d’importantes contributions dans ce domaine, notamment la théorie d’apprentissage par différence temporelle, la classe d’algorithmes acteur-critique (gradient de politique), l’architecture Dyna (intégration de l’apprentissage, de la planification et de la réaction), l’architecture Horde ainsi que les algorithmes du gradient et les algorithmes emphatiques (apprentissage par différence temporelle). Il cherche actuellement à étendre les concepts de l’apprentissage par renforcement à une approche empirique de la représentation des connaissances basée sur la prédiction.

Prix

  • Membre de la Royal Society of London (R.-U.), 2021
  • Prix de l’IJCAI pour l’excellence en recherche, International Joint Conference on Artificial Intelligence, 2021
  • Membre principal, programme Apprentissage automatique, apprentissage biologique du CIFAR, depuis 2018
  • Prix d’excellence pour l’ensemble de ses réalisations et membre de l’Association pour l’intelligence artificielle au Canada, 2018
  • Membre de la Société royale du Canada, 2017
  • Boursier, Association for the Advancement of Artificial Intelligence, 2007-2010

Publications Pertinentes

  • Sutton, R. S., Machado, M. C., Holland, G. Z., Szepesvari, D., Timbers, F., Tanner, B. et White, A. (2023). « Reward-respecting subtasks for model-based reinforcement learning », Artificial Intelligence, vol. 324, p. 104001.
  • Silver, D., Singh, S., Precup, D. et Sutton, R. S. (2021). « Reward is enough », Artificial Intelligence, vol. 299, p. 103535.
  • Sutton, R.S., Barto, A.G. (2018). Reinforcement Learning: An Introduction. Cambridge, MA, MIT Press, deuxième édition.
  • Sutton, R.S., McAllester, D., Singh, S., Mansour, Y. (1999). « Policy Gradient Methods for Reinforcement Learning with Function Approximation », Advances in Neural Information Processing Systems (NeurIPS 1999), 12, p. 1057-1063.
  • Sutton, R.S., Precup, D., Singh, S. (1999). « Between MDPs and semi-MDPs: A Framework for Temporal Abstraction in Reinforcement Learning », Artificial Intelligence, 112:181-211.
  • Sutton, R. S. (1988). « Learning to Predict by the Methods of Temporal Differences », Machine Learning 3:9-44.

institut

Amii

Université de l'Alberta

Département

Informatique

Éducation

  • PhD (informatique), Université du Massachusetts
  • MSc (informatique), Université du Massachusetts
  • BA (psychologie), Université de Stanford

Pays

Canada

Soutenez-nous

L’Institut canadien de recherches avancées (CIFAR) est une organisation de recherche d’influence mondiale fièrement basée au Canada. Nous mobilisons les plus brillants personnes du monde, dans toutes les disciplines et à tous les stades de carrière, pour faire progresser les connaissances transformatrices et résoudre ensemble les plus grands problèmes de l’humanité. Nous recevons l’appui des gouvernements du Canada, de l’Alberta et du Québec, ainsi que de fondations, de particuliers, d’entreprises et d’organisations partenaires du Canada et du monde entier.

Dons
CIFAR footer logo

Centre MaRS, tour Ouest
661, avenue University, bureau 505
Toronto (Ontario) M5G 1M1 Canada

Contactez-nous
Médias
Carrières
Politiques sur l’accessibilité
Bienfaiteurs
Rapports financiers
Abonnez-vous

  • © Copyright 2025 CIFAR. Tous les droits sont réservés.
  • Numéro d’enregistrement d’organisme de bienfaisance : 11921 9251 RR0001
  • Conditions d'utilisation
  • Politique de confidentialité
  • Plan du Site

Souscrire

Rejoignez notre communauté! Restez à jour avec nos nouvelles, événements, conférences et ateliers et dernières découvertes à travers le monde.

Fields marked with an * are required

I prefer to register in English (click here)


S'abonner aux bulletins d'information du CIFAR: *

Vous pouvez vous désabonner de ces communications à tout moment. Consultez notrepolitique de confidentialité.

 À titre d’abonné, vous recevrez aussi un exemplaire numérique de REACH, notre revue annuelle qui met en lumière nos chercheurs et leurs découvertes au moyen d’articles de fond, d’entrevues et d’illustrations.


Si vous souhaitez recevoir une édition papier de la revue REACH, veuillez fournir les renseignements supplémentaires suivants :


Ce site Web enregistre des témoins sur votre ordinateur. Ces témoins sont utilisés pour recueillir des renseignements sur votre interaction avec notre site Web et nous permettre de vous reconnaître. Nous utilisons ces renseignements afin d'améliorer et de personnaliser votre expérience de navigation et à des fins d'analyse et de mesures concernant nos visiteurs, tant sur ce site Web que sur d'autres médias. Pour en savoir plus sur les témoins que nous utilisons, consultez notre politique deconfidentialité.
Accepter En savoir plus

Notifications