Reconnaissance des formes et méthodes neuronales

Contenu

Les thèmes abordés dans les séances de cours et de travaux pratiques (TP) sont :

• Applications, nature des problèmes de modélisation et spécificités des données.
• Analyse des données, réduction de dimension : méthodes factorielles.
• Classification automatique.
• Estimation de densités.
• Imputation des données manquantes.
• Cartes de Kohonen.
• Perceptrons multi-couches pour le classement et la régression.

Chaque séance de cours est suivie d'une séance de TP permettant de mettre en œuvre les méthodes présentées.
Les TP sont réalisés en utilisant principalement la plateforme Scikit-learn. Une introduction rapide au langage Python, à numpy, à matplotlib et à Scikit-learn est prévue lors des premières séances de TP.

Modalité d'évaluation

Examen ; certaines questions peuvent porter sur les travaux pratiques.

Bibliographie

• A. Belaid, Y. Belaid : Reconnaissance des formes : méthodes et applications. Ed. Inter Editions.
• G. Dreyfus, et al : Réseaux de neurones : méthodologies et applications. Ed. Eyrolles.
• M. Crucianu, J.-P. Asselin de Beauville, R. Boné : Méthodes factorielles pour l'analyse des données : méthodes linéaires et extensions non-linéaires. Ed. Hermès.
• G. Saporta : Probabilités, analyse des données et statistique. Ed. TECHNIP.
• D.J. Hand, H. Mannila, P. Smyth : Principles of Data Mining (Adaptive Computation and Machine Learning). Ed. Bradford Book.