Aller au menu Aller au contenu
Une voie, plusieurs choix
Informatique et Mathématiques appliquées
Une voie, plusieurs choix

> Formation > Cursus ingénieur

Reconnaissance des formes et apprentissage

A+Augmenter la taille du texteA-Réduire la taille du texteImprimer le documentEnvoyer cette page par mail cet article Facebook Twitter Linked In
  • Volumes horaires

    • CM : 18.0
    Crédits ECTS : 1.75

Objectifs

Ce module consiste en une introduction à la reconnaissance des formes et à l'apprentissage automatique par une approche bayésienne. Cette introduction commence par un exposé de la typologie des problèmes en reconnaissance des formes, et des principes de base (régression notamment). On aborde ensuite les méthodes de classification probabilistes génératives, discriminatives, avec un approfondissement des approches linéaires, à noyaux, et des machines à vecteurs supports. Les mélanges gaussiens et l'analyse en composante principales sont également abordés.

Ce module vise à développer des compétences de base en apprentissage automatique, qui peuvent être mises en œuvre pour construire des systèmes de fouille de données, communication, traitement du signal, vision par ordinateur, reconnaissance de la parole, interaction homme-machine et systèmes intelligents.

Les cours auront lieu en français, avec des supports écrits en anglais.


Contact Jean-Baptiste DURAND

Contenu

Les cours suivront assez fidèlement le plan de l'ouvrage de Christopher Bishop "Pattern Recognition and Machine Learning".

S1: Introduction. Probabilités et statistique.
S2: Éléments de théorie bayésienne
S3: Loi normale univariée
S4: Loi normale multivariée
S5: Analyse en composantes principales
S6: Modèles de mélanges et classification automatique
S7: Méthodes génératives pour la classification
S8: Analyse discriminante de Fisher et Perceptrons
S9: Méthodes à noyaux
S10: Réseaux de neurones
S11: Machines à vecteurs support
S12: Combinaison de modèles et boosting.



Prérequis

Algèbre linéaire
Calcul intégral et différentiel multivarié
Optimisation
Probabilités et statistique

Contrôles des connaissances

E1 et E2: examen ecrit (3H), documents autorisé.



N1=E1
N2=E2

Bibliographie

Purchase, or access to the following textbook is STRONGLY recommended:
Christopher M. Bishop, Pattern Recognition and Machine Learning, Springer Verlag, 2006.

A+Augmenter la taille du texteA-Réduire la taille du texteImprimer le documentEnvoyer cette page par mail cet article Facebook Twitter Linked In
Université Grenoble Alpes