Shakir Mohamed

Shakir Mohamed est boursier junior de l’ICRA, qui travaille sous la direction de Nando de Freitas, membre du programme Calcul neuronal et perception adaptative, et de Kevin Murphy, associé de la faculté de la science informatique de l’université de Colombie-Britannique. En 2010, Shakir a terminé ses études doctorales en apprentissage machine statistique au St. John’s College, université de Cambridge, sous la direction du Dr Zoubin Ghahramani. Il a une maîtrise en génie avec distinction et un baccalauréat ès sciences en génie électrique et informatique avec distinction de l’Université du Witwatersrand à Johannesburg en Afrique du Sud. En 2009-2010, Shakir a été président de la Samuel Butler Room Society, la société des étudiants diplômés de St. John’s College (Université de Cambridge). En 2006, il a donné de son temps comme modèle de carrière pour le Sci-Bono Science Centre à Johannesburg.

Dans ses recherches, Shakir fait appel à des approches statistiques pour découvrir une structure dans des données complexes. Dans le cadre de son doctorat, Shakir a élaboré de nouveaux modèles d’analyse factorielle, une classe de modèles qui vise à repérer des facteurs sous-jacents pouvant expliquer des données observées. Ces facteurs sous-jacents peuvent correspondre à des préférences relatives à la location d’un film, à des facteurs expliquant l’expression de gènes dans des applications génomiques ou à des caractéristiques de bas niveau utilisées par le système visuel dans l’interprétation d’une scène visuelle. Les recherches de Shakir font appel à des approches statistiques bayésiennes qui nous permettent de tenir compte de l’incertitude dans notre compréhension du monde et qui mettent de l’avant un mécanisme fondé sur des principes pour mettre à jour nos croyances sur l’état du monde au fil de l’accumulation de nouvelles données. À titre de Boursier junior, Shakir élaborera des méthodes bayésiennes qui nous aideront à comprendre des données complexes, qu’il s’agisse d’améliorer notre compréhension de grands réseaux sociaux, de systèmes robotiques complexes ou de données destinées au système visuel. Il se penchera sur l’analyse de systèmes visuels par la modélisation générative, l’apprentissage bayésien creux, les statistiques bayésiennes non paramétriques, la factorisation matricielle et la modélisation par variables latentes.