Apprentissage artificiel et Reconnaissance des Formes

Télécharger le fichier PDF (117 KB)

Objectif de l'Unité d'Enseignement

L'objectif est de donner aux étudiants les fondements théoriques et méthodologiques en reconnaissance des formes. Ce cours aborde des méthodes modernes d'apprentissage artificiel tels que les réseaux de neurones, les Machines à Vecteurs Supports et la combinaison de classifieurs faible par boosting. Ces algorithmes sont au coeur de nombreuses applications : analyse automatique d'images, reconnaissance de la parole, biométrie, interaction Homme-Robot, bioinformatique...

CONTENU DE L'UNITÉ D'ENSEIGNEMENT

• Principes généraux : représenter puis classer, global versus structurel, modéliser versus discriminer, généralisation, sur-apprentissage, régularisation, validation croisée, représentation des données, analyse de données, sélection de variables.
• Méthodes de classification directes : k-plus-proches-voisins
• Méthodes de coalescence : k-moyennes, quantificaion vectorielle, taxinomie
• Méthodes statistiques : théorème de Bayes, maximum de vraisemblance, algorithme EM, estimation non paramétrique
• Méthodes structurelles : distance d'étition
• Introduction à l'apprentissage non supervisé, cartes auto-organisantes.
• Modèles connexionnistes mono et multi, Réseaux bouclés, Régression.
• Introduction aux machines SVM.
• Combinaison de classifieurs faibles, techniques de Boostiong, bagging.

PRÉ-REQUIS

Traitement des images, traitement du signal

mODALITÉS DE CONTROLE DES CONNAISSANCES

Examens (répartis), TP