EC
Apprentissage et reconnaissance des formes
Compétences requises
Connaissances de base en statistiques, probabilités et en traitement d'image.
--
Basic knowledge in statistics, probabilities and image processing.
Compétences visées
Ce cours a pour but de former aux principales approches statistiques et neuronales de classification et reconnaissance des formes
À l'issue de cet enseignement, l'étudiant aura appris à le fonctionnement des principaux algorithmes pour l’apprentissage et la reconnaissance de formes et sera capable de les appliquer.
--
The goals of this lecture are to introduce the main statistical and neuromimetic approaches of machine learning and pattern recognition.
After this course, the student will know the basics of the main machine learning and pattern recognition algorithms and will be able to apply them.
Syllabus
Introduction
Approches statistiques : théorie de la décision bayésienne, étude du cas gaussien
Estimation des densités de probabilité, méthodes paramétriques, méthodes non paramétriques : fenêtres de Parzen, k-plus proches voisins
Techniques de réduction de la dimensionnalité : extraction d'attributs par analyse en composantes principales, analyse discriminante de Fisher, MDS et ISOMAP. Méthodes de sélection de caractéristiques
Classification non supervisée : mélanges de loi et algorithme EM, algorithme des k-moyennes, Meanshift, méthodes de coalescence hiérarchique, HDBSCAN
Fonctions discriminantes linéaires et non linéaires : approches neuronales, Perceptron multicouches, Fonctions de Bases Radiales, machines à vecteurs supports
Comités, arbres de décision, forêts d’arbres aléatoires, AdaBoost
Évaluation des classifieurs
Conclusion
--
Introduction
Statistical approaches: Bayesian decision theory, study of the Gaussian case,
Probability density estimation, parametric methods, non-parametric methods : Parzen windows, k-nearest neighbours
Dimensionality reduction techniques: feature extraction using Principal Component Analysis, Fisher linear discriminant analysis, MDS and ISOMAP. Feature selection methods
Unsupervised classification, or clustering: mixture densities and the EM algorithm, the k-means algorithm, Meanshift, hierarchical clustering techniques, HDBSCAN
Linear and non-linear discriminant functions: neural approaches, the multi-layer Perceptron,
Radial Basis Functions, Support Vector Machines
Ensemble learning, decision trees, random forests, AdaBoost
Evaluation of classifiers
Conclusion