Descriptif
La l'apprentissage et la reconnaissance de formes à partir de signaux ou d’images sont utilisées dans tous les domaines de la physique car elles sont essentielles pour automatiser les processus de décision. On peut citer comme exemple la reconnaissance d’objets dans des images, la reconnaissance de la parole, la biométrie, …
L’objectif de ce cours est de présenter la problématique générale de l'apprentissage et de la reconnaissance des formes ainsi que des exemples de techniques couramment utilisées dans ce domaine.
Cet enseignement se compose pour moitié de cours magistral « interactif » et pour moitié de TD d’application sur ordinateur.
La classification et la reconnaissance automatiques à partir de signaux temporels ou d’images sont utilisées dans tous les domaines de la physique car elles sont essentielles pour automatiser les processus de décision. On peut citer comme exemple la reconnaissance d’objets dans des images, la reconnaissance de la parole, la biométrie, …
L’objectif de ce cours est de présenter la problématique générale de la classification et de la reconnaissance des formes ainsi que des exemples de techniques couramment utilisées dans ce domaine.
Cet enseignement se compose pour moitié de cours magistral « interactif » et pour moitié de TD d’application sous Matlab.
Objectifs pédagogiques
Introduire les techniques de base d'apprentissage et de reconnaissance des formes
- Cours magistral : 30
Diplôme(s) concerné(s)
UE de rattachement
- 9P-430-SCI : Signal et Image
Format des notes
Numérique sur 20Pour les étudiants du diplôme Diplôme d'ingénieur de l'Institut d'Optique Théorique et Appliquée - Master of Science in Engineering
Le rattrapage est autorisé (Note de rattrapage conservée écrêtée à une note seuil de 12)- le rattrapage est obligatoire si :
- Note initiale < 5
Le coefficient de l'UE est : 22
Programme détaillé
1. Problématique de la reconnaissance des formes
2. Introduction à la théorie de la décision
3. Méthodes de classification supervisée : plus proches voisins, arbres de décision, « support vector machines » (SVM), …
4. « Deep learning » et réseaux de neurones
5. Sélection de caractéristiques et réduction des données : analyse en composantes principales (ACP), analyse linéaire discriminante (ALD), k-means, …