Mélanges de gaussiennes distribués et incrémentaux

Save this PDF as:
 WORD  PNG  TXT  JPG

Dimension: px
Commencer à balayer dès la page:

Download "Mélanges de gaussiennes distribués et incrémentaux"

Transcription

1 Mélanges de gaussiennes distribués et incrémentaux CRP Gabriel Lippmann, Luxembourg Pierrick Bruneau

2 Plan Introduction Algorithme EM Variationnel Bayesien pour les GMM Estimation automatique de la complexité Apprentissage de GMM sur données distribuées Extensions (réalisées et potentielles) À propos du CRP Gabriel Lippmann 2

3 Introduction 3

4 Introduction Contexte : clustering de données numériques 4

5 Introduction Interprétation du mélange de gaussiennes 5

6 Introduction Algorithme EM Modèle de mélange Avec Maximum de vraisemblance d un échantillon Méthode itérative pour optimum local Etape M : 6

7 Algorithme EM Variationnel Bayésien pour les GMM 7

8 Algorithme EM variationnel Bayésien Modèle : 8

9 Algorithme EM variationnel Bayésien Objectif : A posteriori Compromis entre vraisemblance et a priori Déduction des a posteriori marginaux (e.g. ) Mais : pas de forme analytique Recherche d une solution approchée 9

10 Algorithme EM variationnel Bayésien 10

11 Algorithme EM variationnel Bayésien 11

12 Algorithme EM variationnel Bayésien 12

13 Algorithme EM variationnel Bayésien 13

14 Algorithme EM variationnel Bayésien Résultat : Optimum local d une approximation de l a posteriori réel Utilisations possibles : best of N, ensemble, initialisation MCMC (e.g. Gibbs, hybrid) 14

15 Estimation automatique de la complexité 15

16 Estimation automatique de la complexité Stratégie EM Estimation type BIC pour un K donné Choix de K maximisant le critère 16

17 Estimation automatique de la complexité Stratégie variationnelle brute force Initialisation avec K volontairement élevé A priori sur = Dirichlet avec < 1 Réduction progressive et automatique du nombre de composantes effectivement utilisées Inconvénients : Définition d une borne sup a priori de K Coût calculatoire 17

18 Estimation automatique de la complexité Stratégie variationnelle split and merge Initialisation avec K = 1 ou 2 À chaque convergence, tentative de split/merge de composantes Inconvénient : Plus compliqué à mettre en oeuvre 18

19 Apprentissage de GMM sur données distribuées 19

20 Apprentissage de GMM sur données distribuées 20

21 Apprentissage de GMM sur données distribuées Méthode Baseline 21

22 Apprentissage de GMM sur données distribuées Approche étudiée Utilisation d échantillons virtuels Coût ne dépendant que du nombre de paramètres à traiter (i.e. GMM à agréger) Bénéficier des possibilités offertes par les approches bayésiennes variationnelles 22

23 Apprentissage de GMM sur données distribuées 23

24 Apprentissage de GMM sur données distribuées 24

25 Apprentissage de GMM sur données distribuées 25

26 Apprentissage de GMM sur données distribuées 26

27 Apprentissage de GMM sur données distribuées 27

28 Apprentissage de GMM sur données distribuées 28

29 Extensions (réalisées et potentielles) 29

30 Extensions (réalisées et potentielles) 30

31 Extensions (réalisées et potentielles) 31

32 Extensions (réalisées et potentielles) 32

33 Extensions (réalisées et potentielles) 33

34 Extensions (réalisées et potentielles) 34

35 Extensions (réalisées et potentielles) 35

36 Extensions (réalisées et potentielles) Agrégation de mélanges d ACP probabilistes Estimation conjointe des composantes et de leur sous-espace propre Estimation des complexités associées Premiers résultats, mais trop de paramètres... Pistes de simplification 36

37 Extensions (réalisées et potentielles) Traitements «online» travaux théoriques sur l adaptation online des algorithmes variationnels 37

38 Extensions (réalisées et potentielles) Implémentations pour les modèles discutés dans cette présentation Use case possible : méthodes gossip 38

39 Extensions (réalisées et potentielles) Package R VBmix unix-only (recours à GSL pour des implémentations efficaces) basé sur la stratégie brute force, essentiellement. 39

40 À propos du CRP Gabriel Lippmann 40

41 À propos du CRP Gabriel Lippmann Environnement type Research and Technology Organization activités de vraie recherche mais importante vocation au transfert technologique Participation à montages de projets européens 41

42 À propos du CRP Gabriel Lippmann Département Informatique 42

43 Références Bruneau, P., Gelgon, M., and Picarougne, F. (2010). Parsimonious reduction of gaussian mixture models with a variational-bayes approach. Pattern Recognition, pages Bruneau, P., Gelgon, M., and Picarougne, F. (2012). A low-cost variational-bayes technique for merging mixtures of probabilistic principal component analyzers. Information Fusion. 43

44 Bibliographie Beal, M. J. (2003). Variational Algorithms for approximate inference. PhD thesis, University of London. Bishop, C. M. (2006). Pattern recognition and machine learning. Springer. Sato, M. (2001). Online model selection based on the variational bayes. Neural Computation, 13(7): Vasconcelos, N. (2001). Image indexing with mixture hierarchies. Proceedings of IEEE Conference in Computer Vision and Pattern Recognition, pages

MCMC et approximations en champ moyen pour les modèles de Markov

MCMC et approximations en champ moyen pour les modèles de Markov MCMC et approximations en champ moyen pour les modèles de Markov Gersende FORT LTCI CNRS - TELECOM ParisTech En collaboration avec Florence FORBES (Projet MISTIS, INRIA Rhône-Alpes). Basé sur l article:

Plus en détail

La thématique Traitement Statistique de l Information à TL1

La thématique Traitement Statistique de l Information à TL1 La thématique Traitement Statistique de l Information à TL1 Equipe de recherche Thématique développée à TL1 par 3 enseignants-chercheurs : Yves Delignon, Christelle Garnier, François Septier Thématique

Plus en détail

Vision par ordinateur

Vision par ordinateur Vision par ordinateur Stéréoscopie par minimisation d'énergie Frédéric Devernay d'après le cours de Richard Szeliski Mise en correspondance stéréo Quels algorithmes possibles? mettre en correspondance

Plus en détail

Mclust : Déceler des groupes dans un jeu de données grâce aux mélanges gaussiens.

Mclust : Déceler des groupes dans un jeu de données grâce aux mélanges gaussiens. Adrien Perrard. UMR 7205, MNHN Mclust : Déceler des groupes dans un jeu de données grâce aux mélanges gaussiens. Partition et mélanges gaussiens Partition et mélanges gaussiens Partition et mélanges gaussiens

Plus en détail

Laboratoire 4 Développement d un système intelligent

Laboratoire 4 Développement d un système intelligent DÉPARTEMENT DE GÉNIE LOGICIEL ET DES TI LOG770 - SYSTÈMES INTELLIGENTS ÉTÉ 2012 Laboratoire 4 Développement d un système intelligent 1 Introduction Ce quatrième et dernier laboratoire porte sur le développement

Plus en détail

M2, spécialité Ingénierie Mathématique Laboratoire de Mathématiques Jean Leray Département de Mathématiques Université de Nantes. Programme 2013-2014

M2, spécialité Ingénierie Mathématique Laboratoire de Mathématiques Jean Leray Département de Mathématiques Université de Nantes. Programme 2013-2014 M2, spécialité Ingénierie Mathématique Laboratoire de Mathématiques Jean Leray Département de Mathématiques Université de Nantes Programme 2013-2014 Contact : master-pro@math.univ-nantes.fr Option : CS

Plus en détail

Classification. Session organisée par Charles Bouveyron et Francois Caron et Marie Chavent

Classification. Session organisée par Charles Bouveyron et Francois Caron et Marie Chavent Classification Session organisée par Charles Bouveyron et Francois Caron et Marie Chavent La classification a pour objet de regrouper des données en classes possédant des caractéristiques similaires. La

Plus en détail

Thèse de statistiques dans une PME : La localisation intra-muros WiFi

Thèse de statistiques dans une PME : La localisation intra-muros WiFi Thèse de statistiques dans une PME : La localisation intra-muros WiFi Thierry Dumont 1 1 Bureau E 20 Bât.G, Université Paris Ouest, 200 Av. République Nanterre France Résumé. Cet exposé revient sur la

Plus en détail

Optimisation directe des poids de modèles dans un prédicteur Bayésien naïf moyenné

Optimisation directe des poids de modèles dans un prédicteur Bayésien naïf moyenné Optimisation directe des poids de modèles dans un prédicteur Bayésien naïf moyenné Romain Guigourès, Marc Boullé Orange Labs 2 avenue Pierre Marzin 22307 Lannion Cedex {romain.guigoures, marc.boulle}@orange-ftgroup.com

Plus en détail

Méthodes de placement multidimensionnelles. Fabrice Rossi Télécom ParisTech

Méthodes de placement multidimensionnelles. Fabrice Rossi Télécom ParisTech Méthodes de placement multidimensionnelles Fabrice Rossi Télécom ParisTech Plan Introduction Analyse en composantes principales Modèle Qualité et interprétation Autres méthodes 2 / 27 F. Rossi Plan Introduction

Plus en détail

MIXMOD : un logiciel de classification supervisée et non supervisée pour données quantitatives et qualitatives

MIXMOD : un logiciel de classification supervisée et non supervisée pour données quantitatives et qualitatives MIXMOD : un logiciel de classification supervisée et non supervisée pour données quantitatives et qualitatives Florent Langrognet Laboratoire de Mathématiques de Besançon UMR6623, CNRS & Université de

Plus en détail

Apport de l acp probabiliste pour la gestion des données manquantes en acp

Apport de l acp probabiliste pour la gestion des données manquantes en acp Manuscrit auteur, publié dans "41èmes Journées de Statistique, SFdS, Bordeaux, Bordeaux, France : France (2009)" Apport de l acp probabiliste pour la gestion des données manquantes en acp Julie Josse,

Plus en détail

Régression logistique

Régression logistique Régression logistique Gilles Gasso. INSA Rouen -Département ASI Laboratoire LITIS Régression logistique p. 1 Introduction Objectifs Le classifieur de Bayes est basé sur la comparaison des probabilités

Plus en détail

Analyse de séquence : biblio

Analyse de séquence : biblio Analyse de séquence : biblio 1 Introduction Dans de nombreux domaines, on cherche la meilleure séquence d étiquettes au sens d une séquence d observations : bioinformatique (decriptage des séquences d

Plus en détail

Stéphane GOBRON HES SO HE Arc

Stéphane GOBRON HES SO HE Arc Stéphane GOBRON HES SO HE Arc 2015 Algorithmes Numériques 7 chapitres Codage des nombres Résolution d équations Systèmes linéaires Dérivation Intégration Equation différentielles Mots clés du cours : introduction

Plus en détail

Anne-lise HUYET- Jean-Luc PARIS LIMOS équipe Recherche en Systèmes de Production IFMA Mail: huyet@ifma.fr, paris@ifma.fr

Anne-lise HUYET- Jean-Luc PARIS LIMOS équipe Recherche en Systèmes de Production IFMA Mail: huyet@ifma.fr, paris@ifma.fr Extraction de Connaissances pertinentes sur le comportement des systèmes de production: une approche conjointe par Optimisation Évolutionniste via Simulation et Apprentissage Anne-lise HUYET- Jean-Luc

Plus en détail

Sur l apprentissage de Réseaux Bayésiens à partir de bases d exemples incomplètes et application à la classification

Sur l apprentissage de Réseaux Bayésiens à partir de bases d exemples incomplètes et application à la classification Sur l apprentissage de Réseaux Bayésiens à partir de bases d exemples incomplètes et application à la classification et Philippe LERAY, Laboratoire LITIS, Rouen. Rencontres Inter-Associations La classification

Plus en détail

Apprentissage statistique et Big Data, focus sur l algorithme online-em

Apprentissage statistique et Big Data, focus sur l algorithme online-em Apprentissage statistique et Big Data, focus sur l algorithme online-em Olivier Cappé Laboratoire Traitement et Communication de l Information CNRS, Télécom ParisTech, 75013 Paris 8 octobre 2013 0. Cappé

Plus en détail

SPLEX Statistiques pour la classification et fouille de données en

SPLEX Statistiques pour la classification et fouille de données en SPLEX Statistiques pour la classification et fouille de données en génomique Classification Linéaire Binaire CLB Pierre-Henri WUILLEMIN DEcision, Système Intelligent et Recherche opérationnelle LIP6 pierre-henri.wuillemin@lip6.fr

Plus en détail

Apprentissage de structure dans les réseaux bayésiens pour

Apprentissage de structure dans les réseaux bayésiens pour Apprentissage de structure dans les réseaux bayésiens pour la détection d événements vidéo Siwar Baghdadi 1, Claire-Hélène Demarty 1, Guillaume Gravier 2, et Patrick Gros 3 1 Thomson R&D France, 1 av Belle

Plus en détail

GÉNÉRATION DE PLAN PAR EXPLORATION SELECTIVE D UN ARBRE DE COUVERT 2. EXPLORATION ET SELECTION DANS L ARBRE DE COUVERTURE

GÉNÉRATION DE PLAN PAR EXPLORATION SELECTIVE D UN ARBRE DE COUVERT 2. EXPLORATION ET SELECTION DANS L ARBRE DE COUVERTURE GÉNÉRATION DE PLAN PAR EXPLORATION SELECTIVE D UN ARBRE DE COUVERT Mercedes E. Narciso, Miquel A. Piera Dept Computer Science, Univ. Autonoma de Barcelona Bellaterra, 0819 Barcelona, Espagne mnarciso (miquel)@sunaut.uab.es

Plus en détail

Annexe : Programme du master de mathématiques : Spécialité Ingénierie Mathématique Première Année. Tronc commun

Annexe : Programme du master de mathématiques : Spécialité Ingénierie Mathématique Première Année. Tronc commun Annexe : Programme du master de mathématiques : Spécialité Ingénierie Mathématique Première Année Tronc commun MI1 Analyse fonctionnelle pour l'ingénieur: (64 H ; C : 32 H, TD : 32 H) (ECTS : 8) - Eléments

Plus en détail

Accès au Contenu Informationnel pour les Masses de Données de Documents

Accès au Contenu Informationnel pour les Masses de Données de Documents Accès au Contenu Informationnel pour les Masses de Données de Documents Grappa LILLE 3 - UR Futurs INRIA MOSTRARE Laboratoire d Informatique de Paris 6 Laboratoire de Recherche en Informatique Orsay -

Plus en détail

Club de Rencontre AppliBUGS. Equations Structurelles Probabilistes. Lionel Jouffe Bayesia 04/06/2009. Plan. Introduction

Club de Rencontre AppliBUGS. Equations Structurelles Probabilistes. Lionel Jouffe Bayesia 04/06/2009. Plan. Introduction Club de Rencontre AppliBUGS Equations Structurelles Probabilistes Lionel Jouffe Bayesia 04/06/2009 1 Exemple d application Analyse de Parfums 2 INTRODUCTION 3 Les réseaux Outil de modélisation des connaissances

Plus en détail

Analyse d images, vision par ordinateur. Partie 6: Segmentation d images. Segmentation? Segmentation?

Analyse d images, vision par ordinateur. Partie 6: Segmentation d images. Segmentation? Segmentation? Analyse d images, vision par ordinateur Traitement d images Segmentation : partitionner l image en ses différentes parties. Reconnaissance : étiqueter les différentes parties Partie 6: Segmentation d images

Plus en détail

Sourour Ammar. To cite this version: HAL Id: tel-00568136 https://tel.archives-ouvertes.fr/tel-00568136

Sourour Ammar. To cite this version: HAL Id: tel-00568136 https://tel.archives-ouvertes.fr/tel-00568136 Modèles Graphiques Probabilistes pour l Estimation de Densité en grande dimension : applications du principe Perturb & Combine pour les mélanges d arbres Sourour Ammar To cite this version: Sourour Ammar.

Plus en détail

Contenu. Sources et références. Classification supervisée. Classification supervisée vs. non-supervisée

Contenu. Sources et références. Classification supervisée. Classification supervisée vs. non-supervisée PJE : Analyse de comportements avec Twitter Classification supervisée Arnaud Liefooghe arnaud.liefooghe@univ-lille1.fr Master 1 Informatique PJE2 2012-2013 B. Derbel L. Jourdan A. Liefooghe Contenu Classification

Plus en détail

Cours 2 6 octobre. 2.1 Maximum de vraisemblance pour une loi Gaussienne multivariée

Cours 2 6 octobre. 2.1 Maximum de vraisemblance pour une loi Gaussienne multivariée Introduction aux modèles graphiques 2010/2011 Cours 2 6 octobre Enseignant: Francis Bach Scribe: Nicolas Cheifetz, Issam El Alaoui 2.1 Maximum de vraisemblance pour une loi Gaussienne multivariée Soit

Plus en détail

CLASSIFICATION ET PREDICTION FONCTIONNELLES D ACTIFS BOURSIERS EN "TICK DATA"

CLASSIFICATION ET PREDICTION FONCTIONNELLES D ACTIFS BOURSIERS EN TICK DATA CLASSIFICATION ET PREDICTION FONCTIONNELLES D ACTIFS BOURSIERS EN "TICK DATA" SIMON DABLEMONT, MICHEL VERLEYSEN Université catholique de Louvain, Machine Learning Group, DICE 3, Place du Levant, B-1348

Plus en détail

Arbres binaires. Hélène Milhem. Institut de Mathématiques de Toulouse, INSA Toulouse, France IUP SID, 2011-2012

Arbres binaires. Hélène Milhem. Institut de Mathématiques de Toulouse, INSA Toulouse, France IUP SID, 2011-2012 Arbres binaires Hélène Milhem Institut de Mathématiques de Toulouse, INSA Toulouse, France IUP SID, 2011-2012 H. Milhem (IMT, INSA Toulouse) Arbres binaires IUP SID 2011-2012 1 / 35 PLAN Introduction Construction

Plus en détail

Chapitre 8Innovation technologique et dynamique des industries

Chapitre 8Innovation technologique et dynamique des industries Chapitre 8 Innovation technologique et dynamique des industries Niveau méso-économique : Approche évolutionniste innovations technologiques comme source principale de la dynamique industrielle Vision riche,

Plus en détail

The Current State and Future of Search Based Software Engineering

The Current State and Future of Search Based Software Engineering The Current State and Future of Search Based Software Engineering Mark Harman 1 IEEE International Conference on Software Engineering FoSE 07: Future of Software Engineering 1 King's College, LONDON, UK

Plus en détail

Modèlisation statistique d un championnat de football. Extension au tournoi de fighting

Modèlisation statistique d un championnat de football. Extension au tournoi de fighting Modèlisation statistique d un championnat de football. Extension au tournoi de fighting Eric Parent, Edouard Kolf le 20 décembre 2012, AppliBUGS, Paris Contents 1 Exemple du championnat de football 2 3

Plus en détail

Le Filtrage Collaboratif vu comme un problème de Consensus d Ordonnancements

Le Filtrage Collaboratif vu comme un problème de Consensus d Ordonnancements Le Filtrage Collaboratif vu comme un problème de Consensus d Ordonnancements Romaric Gaudel and Stéphan Clémençon LTCI, UMR 5141 Télécom-ParisTech / CNRS CAp, mai 2011 Filtrage Collaboratif pour le commerce

Plus en détail

Data Mining, fouille de données: Concepts et techniques. Marius Fieschi Faculté de Médecine de Marseille

Data Mining, fouille de données: Concepts et techniques. Marius Fieschi Faculté de Médecine de Marseille Data Mining, fouille de données: Concepts et techniques Marius Fieschi Faculté de Médecine de Marseille Data Mining, fouille de données: Concepts et techniques Ce cours est très proche du cours diffusé

Plus en détail

Classification et extension automatique d annotations d images en utilisant un réseau Bayésien

Classification et extension automatique d annotations d images en utilisant un réseau Bayésien Classification et extension automatique d annotations d images en utilisant un réseau Bayésien Sabine Barrat et Salvatore Tabbone LORIA-UMR7503 Université Nancy 2 BP 239, 54506 Vandœuvre-les-Nancy Cedex

Plus en détail

K. Ammar, F. Bachoc, JM. Martinez. Séminaire ARISTOTE - 23 octobre 2014 - Palaiseau

K. Ammar, F. Bachoc, JM. Martinez. Séminaire ARISTOTE - 23 octobre 2014 - Palaiseau Apport des modèles de krigeage à la simulation numérique K Ammar, F Bachoc, JM Martinez CEA-Saclay, DEN, DM2S, F-91191 Gif-sur-Yvette, France Séminaire ARISTOTE - 23 octobre 2014 - Palaiseau Apport des

Plus en détail

Réalité Augmentée. Sylvie Naudet Collette. sylvie.naudet@cea.fr. Laboratoire Vision et Ingénierie des Contenus (DIASI/LVIC)

Réalité Augmentée. Sylvie Naudet Collette. sylvie.naudet@cea.fr. Laboratoire Vision et Ingénierie des Contenus (DIASI/LVIC) Réalité Augmentée Sylvie Naudet Collette Laboratoire Vision et Ingénierie des Contenus (DIASI/LVIC) sylvie.naudet@cea.fr PLAN 1. Introduction et définitions 2. Réalité augmentée sur des objets 3D Applications

Plus en détail

SimSE. A Software Engineering Simulation Environment

SimSE. A Software Engineering Simulation Environment 1 SimSE A Software Engineering Simulation Environment Salma Douiri-Kharraki 2 Sommaire La simulation Définitions Les lacunes dans l enseignement des modèles Rôle de la simulation SimSE C est quoi? Caractéristiques

Plus en détail

Bornes de performances

Bornes de performances Bornes de performances Philippe Ciblat École Nationale Supérieure des Télécommunications, Paris, France Plan CRB classiques CRB avec nuisance Autres bornes 1. Bornes de Cramer-Rao classiques avec paramètres

Plus en détail

Distance et classification. Cours 4: Traitement du signal et reconnaissance de forme

Distance et classification. Cours 4: Traitement du signal et reconnaissance de forme Distance et classification Cours 4: Traitement du signal et reconnaissance de forme Plan Introduction Pré-traitement Segmentation d images Morphologie mathématique Extraction de caractéristiques Classification

Plus en détail

Apprentissage de structure à partir de données incomplètes et application à la classication

Apprentissage de structure à partir de données incomplètes et application à la classication Apprentissage de structure à partir de données incomplètes et application à la classication Olivier François, Philippe Leray Francois.Olivier.C.H@gmail.com, Philippe.Leray@insa-rouen.fr Laboratoire d'informatique,

Plus en détail

Machine learning et scoring à valeurs discrètes

Machine learning et scoring à valeurs discrètes Machine learning et scoring à valeurs discrètes F. Baschenis sujet proposé par N. Vayatis École Normale Supérieure de Cachan, département de mathématiques 24 Juin 2010 Bref rappel du problème Un film un

Plus en détail

Extraction de règles d association pour la prédiction de valeurs manquantes

Extraction de règles d association pour la prédiction de valeurs manquantes Cari 2004 7/10/04 12:00 Page 487 Extraction de règles d association pour la prédiction de valeurs manquantes Sylvie Jami 1, Tao-Yan Jen 2, Dominique Laurent 3, George Loizou 1, Oumar Sy 3,4 1. Birkbeck

Plus en détail

Soutenance de stage Laboratoire des Signaux et Systèmes

Soutenance de stage Laboratoire des Signaux et Systèmes Soutenance de stage Laboratoire des Signaux et Systèmes Bornes inférieures bayésiennes de l'erreur quadratique moyenne. Application à la localisation de points de rupture. M2R ATSI Université Paris-Sud

Plus en détail

S y l l a b u s RECONNAISSANCE DES FORMES : CLASSIFICATION ET REGROUPEMENT IFT-64321 A

S y l l a b u s RECONNAISSANCE DES FORMES : CLASSIFICATION ET REGROUPEMENT IFT-64321 A RECONNAISSANCE DES FORMES : CLASSIFICATION ET REGROUPEMENT IFT-64321 A S y l l a b u s Jean-Marie Beaulieu Département d'informatique Téléphone: 656-2131 poste 2564 Courriel: jean-marie.beaulieu@ift.ulaval.ca

Plus en détail

Polytech Paris-Sud Département informatique Formation par Apprentissage, 3ème année

Polytech Paris-Sud Département informatique Formation par Apprentissage, 3ème année 1 / 20 Polytech Paris-Sud Département informatique Formation par Apprentissage, 3ème année Cours : Jérôme Azé Université Paris-Sud LRI 2009-2010 2 / 20 Outline 1 Présentation de A q Algorithme Défauts

Plus en détail

Détection de changements de distribution dans un flux de données : une approche supervisée

Détection de changements de distribution dans un flux de données : une approche supervisée Détection de changements de distribution dans un flux de données : une approche supervisée Alexis Bondu, Marc Boullé EDF R&D ICAME/SOAD, 1 avenue du Général de Gaulle, 92140 Clamart. alexis.bondu@edf.fr

Plus en détail

Segmentation de tumeurs cérébrales en imagerie hybride TEP-IRM

Segmentation de tumeurs cérébrales en imagerie hybride TEP-IRM 1 / 21 Segmentation de tumeurs cérébrales en imagerie hybride TEP-IRM H. Urien 1 S. Boughdad 2 Dr J.L. Alberini 2 I. Buvat 3 N. Rougon 4 I. Bloch 1 1 Institut Mines-Télécom, Télécom ParisTech, CNRS LTCI,

Plus en détail

Résolution approchée du problème de set packing bi-objectif

Résolution approchée du problème de set packing bi-objectif Résolution approchée du problème de set packing bi-objectif Xavier Delorme 1,2, Xavier Gandibleux 2 et Fabien DEGOUTIN 1,2 1. Laboratoire d Automatique, de Mécanique et d Informatique industrielles et

Plus en détail

Application du deep learning à la traduction automatisée

Application du deep learning à la traduction automatisée Application du deep learning à la traduction automatisée soutenance de stage Montreal Institute for Learning Algorithms sous l encadrement de Yoshua Bengio et Pascal Vincent Avril - Août 2014 1/33 Plan

Plus en détail

Initialisation de Réseaux de Neurones à l aide d un Espace Thématique

Initialisation de Réseaux de Neurones à l aide d un Espace Thématique 22 ème Traitement Automatique des Langues Naturelles, Caen, 2015 Initialisation de Réseaux de Neurones à l aide d un Espace Thématique Résumé. Mohamed Morchid, Richard Dufour, Georges Linarès Laboratoire

Plus en détail

Une métaheuristique pour apprendre un modèle de rangement multicritère basé sur les points de référence

Une métaheuristique pour apprendre un modèle de rangement multicritère basé sur les points de référence Séminaire des doctorants 2014 Une métaheuristique pour apprendre un modèle de rangement multicritère basé sur les points de référence Jinyan Liu, Vincent Mousseau, Wassila Ouerdane 1 Problèmes de décision

Plus en détail

Mesures de confiance pour la reconnaissance de la parole dans des applications de dialogue homme-machine

Mesures de confiance pour la reconnaissance de la parole dans des applications de dialogue homme-machine Mesures de confiance la reconnaissance de la parole dans des applications de dialogue homme-machine Christian Raymond LIA-CNRS Agroparc - BP 849 Avignon Cedex 9 France) Tél : +33/0)4 90 84 35 30 ; fax

Plus en détail

DIVAS SUIVI de MOTOS. Livrable n 2.A.4

DIVAS SUIVI de MOTOS. Livrable n 2.A.4 D I V AS ANR PROJET DIVAS - ANR Dialogue Infrastructure Véhicules pour Améliorer la Sécurité routière DIVAS SUIVI de MOTOS Livrable n 2.A.4 Date: Novembre 2008 Version: 1.0 Partenaire(s) : LCPC Responsable

Plus en détail

Modélisation du comportement habituel de la personne en smarthome

Modélisation du comportement habituel de la personne en smarthome Modélisation du comportement habituel de la personne en smarthome Arnaud Paris, Selma Arbaoui, Nathalie Cislo, Adnen El-Amraoui, Nacim Ramdani Université d Orléans, INSA-CVL, Laboratoire PRISME 26 mai

Plus en détail

MIXMOD. Un ensemble logiciel de classification des données par modèles de mélanges MIXMOD. F. Langrognet () MIXMOD Avril 2012 1 / 28

MIXMOD. Un ensemble logiciel de classification des données par modèles de mélanges MIXMOD. F. Langrognet () MIXMOD Avril 2012 1 / 28 MIXMOD Un ensemble logiciel de classification des données par modèles de mélanges MIXMOD F. Langrognet () MIXMOD Avril 2012 1 / 28 PLAN 1 La classification des données 2 MIXMOD, ensemble logiciel de classification

Plus en détail

La GPEC, support de l action stratégique

La GPEC, support de l action stratégique La GPEC, support de l action stratégique Table des matières La GPEC, support de l action stratégique... 1 I. Qu est-ce que la GPEC?... 3 1. L émergence de la GPEC... 3 II. La démarche de la GPEC... 4 1.

Plus en détail

SPONY PROFILING MODEL (SPM)

SPONY PROFILING MODEL (SPM) SPONY PROFILING MODEL (SPM) Introduction Le Spony Profiling Model (SPM) est une innovation en partie française issue de dix ans de recherche dirigée par un français, le Dr Gilles Spony à Cranfield School

Plus en détail

Distributions bayésiennes nonparamétriques sur les matrices binaires triangulaires infinies : Applications aux modèles graphiques

Distributions bayésiennes nonparamétriques sur les matrices binaires triangulaires infinies : Applications aux modèles graphiques Distributions bayésiennes nonparamétriques sur les matrices binaires triangulaires infinies : Applications aux modèles graphiques Patrick Dallaire Université Laval Département d informatique et de génie

Plus en détail

Analyse multivariée approfondie

Analyse multivariée approfondie Analyse multivariée approfondie Enseignants: NIANG N. et RUSSOLILLIO G. Maître de conférences Statistique Appliquée Laboratoire CEDRIC CNAM http://www.cnam.fr et d autres intervenants extérieurs au Cnam

Plus en détail

Classification de Données Multidimensionnelles Techniques de Projection des Données dans des Espaces de Dimension Réduite

Classification de Données Multidimensionnelles Techniques de Projection des Données dans des Espaces de Dimension Réduite Classification de Données Multidimensionnelles Techniques de Projection des Données dans des Espaces de Dimension Réduite Denis HAMAD ULCO LASL Denis.Hamad@laslIuniv-littoral.fr Présenté dans la journée

Plus en détail

Analyse de données longitudinales continues avec applications

Analyse de données longitudinales continues avec applications Université de Liège Département de Mathématique 29 Octobre 2002 Analyse de données longitudinales continues avec applications David MAGIS 1 Programme 1. Introduction 2. Exemples 3. Méthodes simples 4.

Plus en détail

Restauration multi- images et 3D sans artefacts: Optimisation sous contraintes locales et apprentissage statistique

Restauration multi- images et 3D sans artefacts: Optimisation sous contraintes locales et apprentissage statistique Restauration multi- images et 3D sans artefacts: Optimisation sous contraintes locales et apprentissage statistique Proposition de Sujet de Thèse Andrés Almansa Telecom ParisTech Introduction Les images

Plus en détail

Contrôle stochastique d allocation de ressources dans le «cloud computing»

Contrôle stochastique d allocation de ressources dans le «cloud computing» Contrôle stochastique d allocation de ressources dans le «cloud computing» Jacques Malenfant 1 Olga Melekhova 1, Xavier Dutreilh 1,3, Sergey Kirghizov 1, Isis Truck 2, Nicolas Rivierre 3 Travaux partiellement

Plus en détail

Catalogue des Formations «Communication et développement durable» 2010-2011

Catalogue des Formations «Communication et développement durable» 2010-2011 Catalogue des s «Communication et développement» 2010-2011 Introduction à la RSE Introduction à la communication Responsable Ethique et Communication Eco-communication Organiser un éco-événement Introduction

Plus en détail

Estimation bayésienne des paramètres d un modèle de culture implémenté sous VLE

Estimation bayésienne des paramètres d un modèle de culture implémenté sous VLE Estimation bayésienne des paramètres d un modèle de culture implémenté sous VLE Arnaud Bensadoun François Brun (ACTA), Philippe Debaeke (INRA), Daniel Wallach (INRA), Luc Champolivier (CETIOM), Emmanuelle

Plus en détail

Quels sont les effets des MITIC dans l enseignement?

Quels sont les effets des MITIC dans l enseignement? Haute école pédagogique Vaud 1 UER Médias et TIC / christian.fantoli@hepl.ch Conférence-séminaire du 05 octobre 2012 Quels sont les effets des MITIC dans l enseignement? 2 2 Quels sont les effets des MITIC

Plus en détail

Introduction. Algorithme d apprentissage

Introduction. Algorithme d apprentissage Reconnaissance hors ligne des chiffres manuscrits isolés par l approche Neuro-Génétique KROUCHI Ghizlaine*, DJEBBAR Bachir Faculté des Sciences, Département d Informatique. Université des Sciences et de

Plus en détail

Chaînes de Markov Cachées Floues et Segmentation d Images

Chaînes de Markov Cachées Floues et Segmentation d Images Introduction Chaînes de Markov Cachées Floues et Segmentation d Images Cyril Carincotte et Stéphane Derrode Équipe GSM Groupe Signaux Multi-dimensionnels Institut Fresnel (UMR 6133) EGIM Université Paul

Plus en détail

PLAN DE COURS Hiver 2014

PLAN DE COURS Hiver 2014 PLAN DE COURS Hiver 2014 GIF-4101 20439 - Apprentissage et reconnaissance Informations générales Crédits : 3 Temps consacré : 3-0-6 Mode d'enseignement : Présentiel Site Web : http://gif4101.gel.ulaval.ca

Plus en détail

Plateforme GraMAP. 1. Description de la plateforme

Plateforme GraMAP. 1. Description de la plateforme Plateforme GraMAP 1. Description de la plateforme GraMAP (Graph Matching Algorithms Platform) est une plateforme web dédiée aux algorithmes d appariement de graphes qui implémente l ensemble des algorithmes

Plus en détail

Génération d une visualisation personnalisée

Génération d une visualisation personnalisée Génération d une visualisation personnalisée Mohamed Mouine RALI-DIRO Université de montréal mouinemo@iro.umontreal.ca Résumé. Nous présentons une méthode permettant de calculer les besoins et les préférences

Plus en détail

Projet informatique «Voyageur de commerce» Résolution approchée par algorithme génétique du problème du voyageur de commerce

Projet informatique «Voyageur de commerce» Résolution approchée par algorithme génétique du problème du voyageur de commerce Année 2007-2008 Projet informatique «Voyageur de commerce» Résolution approchée par algorithme génétique du problème du voyageur de commerce B. Monsuez Projet informatique «Voyageur de commerce» Résolution

Plus en détail

INTRODUCTION À OMP PROBLÈME D USINAGE 1 Préambule

INTRODUCTION À OMP PROBLÈME D USINAGE 1 Préambule 1 Préambule 1 sur 7 Le logiciel OMP est un produit de OM Partners. Le version mise à disposition est la version 9.27. OMP comporte : un compilateur de modèles et de données ; un optimiseur ; un générateur

Plus en détail

Méthodes de Simulation

Méthodes de Simulation Méthodes de Simulation JEAN-YVES TOURNERET Institut de recherche en informatique de Toulouse (IRIT) ENSEEIHT, Toulouse, France Peyresq06 p. 1/41 Remerciements Christian Robert : pour ses excellents transparents

Plus en détail

Comparaison d approches statistiques pour la classification de textes d opinion. Michel Plantié, Gérard Dray, Mathieu Roche (LGI2P/EMA LIRMM)

Comparaison d approches statistiques pour la classification de textes d opinion. Michel Plantié, Gérard Dray, Mathieu Roche (LGI2P/EMA LIRMM) Comparaison d approches statistiques pour la classification de textes d opinion Michel Plantié, Gérard Dray, Mathieu Roche (LGI2P/EMA LIRMM) Caractéristiques des traitements Approche identique pour les

Plus en détail

Apprentissage par renforcement pour la personnalisation d un logiciel d enseignement des langues

Apprentissage par renforcement pour la personnalisation d un logiciel d enseignement des langues 1 Apprentissage par renforcement pour la personnalisation d un logiciel d enseignement des langues Conférence EIAH 2011 (Environnements Informatiques pour l Apprentissage Humain) Lucie Daubigney *, Matthieu

Plus en détail

INTRODUCTION AUX MÉTHODES DE MONTE CARLO PAR CHAÎNES DE MARKOV

INTRODUCTION AUX MÉTHODES DE MONTE CARLO PAR CHAÎNES DE MARKOV Séminaire MTDE 22 mai 23 INTRODUCTION AUX MÉTHODES DE MONTE CARLO PAR CHAÎNES DE MARKOV Vincent Mazet CRAN CNRS UMR 739, Université Henri Poincaré, 5456 Vandœuvre-lès-Nancy Cedex 1 juillet 23 Sommaire

Plus en détail

Vers la conception interactive d une hiérarchie sémantique de descripteurs d images

Vers la conception interactive d une hiérarchie sémantique de descripteurs d images PROPOSITION DE STAGE Année 2016 Laboratoire L3i Sujet de stage : Vers la conception interactive d une hiérarchie sémantique de descripteurs d images Résumé du travail proposé : Ce travail s intéresse à

Plus en détail

FORMATION EN LIGNE EN MILIEU DE TRAVAIL : UN MODÈLE MIXTE (SYNCHRONE ET ASYNCHRONE) OFFERT À L AIDE DE LA PLATE-FORME PERSONN@LISA

FORMATION EN LIGNE EN MILIEU DE TRAVAIL : UN MODÈLE MIXTE (SYNCHRONE ET ASYNCHRONE) OFFERT À L AIDE DE LA PLATE-FORME PERSONN@LISA FORMATION EN LIGNE EN MILIEU DE TRAVAIL : UN MODÈLE MIXTE (SYNCHRONE ET ASYNCHRONE) OFFERT À L AIDE DE LA PLATE-FORME PERSONN@LISA Sauvé Louise Télé-université / SAVIE / SAGE Introduction Une étude de

Plus en détail

L ANALYSE DU RISQUE DE FAILLITE PAR LE BIAIS DES SYSTÈMES DE L INTELLIGENCE ARTIFICIELLE

L ANALYSE DU RISQUE DE FAILLITE PAR LE BIAIS DES SYSTÈMES DE L INTELLIGENCE ARTIFICIELLE L ANALYSE DU RISQUE DE FAILLITE PAR LE BIAIS DES SYSTÈMES DE L INTELLIGENCE ARTIFICIELLE Paul Pașcu, Assist Prof, PhD, Ștefan cel Mare University of Suceava Abstract: This article aims to present a number

Plus en détail

Segmentation de séquences vidéo en temps réel

Segmentation de séquences vidéo en temps réel MVA-2011 p. 2 Segmentation de séquences vidéo en temps réel G. Koepfler MVA-2011 p. 1 Introduction But: Détecter des objets en mouvement dans une séquence d images. Motivations: Extraire l information

Plus en détail

8èmes Journées Francophones Extraction et Gestion des Connaissances Sophia Antipolis 29 janvier 2008. Réseaux Bayésiens

8èmes Journées Francophones Extraction et Gestion des Connaissances Sophia Antipolis 29 janvier 2008. Réseaux Bayésiens 8èmes Journées Francophones Extraction et Gestion des Connaissances Sophia Antipolis 29 janvier 2008 Tutoriel Réseaux Bayésiens Introduction et apprentissage Modélisation et découverte de connaissances

Plus en détail

OSA Organisation Synergique Apprenante

OSA Organisation Synergique Apprenante L ORGANISATION APPRENANTE OSA Organisation Synergique Apprenante Serge Racine, Ph.D. (IDEES / UdeM) 30 avril 2009 HÉC Montréal 1 Une organisation synergique apprenante comprend 1. Une image de l organisation

Plus en détail

Suivi multi-objets dans des séquences d'images par méthodes de Monte-Carlo

Suivi multi-objets dans des séquences d'images par méthodes de Monte-Carlo Suivi multi-objets dans des séquences d'images par méthodes de Monte-Carlo Christelle Garnier Télécom Lille / LAGIS UMR CNRS 829 Contexte Utilisation accrue de caméras dans de nombreux domaines d application

Plus en détail

Reconnaissance des formes

Reconnaissance des formes Reconnaissance des formes Discrimination A. Belaïd LORIA - Nancy Discrimination linéaire Notion d hyperplan Discrimination linéaire Principe Une forme x R d (vecteur forme) Rôle de la Trouver D : R d x

Plus en détail

Travaux d Études et de Recherche Rapport Intermédiaire. Julien Henry Nicolas Lacourte-Barbadaux Alexandre Masson Léo Rousseau 14 Janvier 2013

Travaux d Études et de Recherche Rapport Intermédiaire. Julien Henry Nicolas Lacourte-Barbadaux Alexandre Masson Léo Rousseau 14 Janvier 2013 Travaux d Études et de Recherche Rapport Intermédiaire Julien Henry Nicolas Lacourte-Barbadaux Alexandre Masson Léo Rousseau 14 Janvier 2013 1 Table des matières 1 Résumé du projet 3 2 Introduction du

Plus en détail

Le clustering dans les réseaux ad-hoc

Le clustering dans les réseaux ad-hoc Le clustering dans les réseaux ad-hoc Auteur : Florent NOLOT Florent NOLOT 1 Présentation Le modèle et les motivations Le clustering à 1 saut et à k sauts Quelques résultats de simulation L'adaptation

Plus en détail

Classification. Charles Bouveyron, Francois Caron, Marie Chavent. To cite this version: HAL Id: inria-00496744 https://hal.inria.

Classification. Charles Bouveyron, Francois Caron, Marie Chavent. To cite this version: HAL Id: inria-00496744 https://hal.inria. Classification Charles Bouveyron, Francois Caron, Marie Chavent To cite this version: Charles Bouveyron, Francois Caron, Marie Chavent. Classification. Journées MAS et Journée en l honneur de Jacques Neveu,

Plus en détail

Plan. Définition et Objectifs Analyse discriminante Régression logistique Arbres de décision Réseaux bayésiens Exemple

Plan. Définition et Objectifs Analyse discriminante Régression logistique Arbres de décision Réseaux bayésiens Exemple La classification Plan Définition et Objectifs Analyse discriminante Régression logistique Arbres de décision Réseaux bayésiens Exemple Définition et Objectifs Prévoir l appartenance à une «classe» non

Plus en détail

Théorie des jeux et congestion routière : quelques illustrations. Frédéric Koessler Paris School of Economics et CNRS

Théorie des jeux et congestion routière : quelques illustrations. Frédéric Koessler Paris School of Economics et CNRS Théorie des jeux et congestion routière : quelques illustrations Frédéric Koessler Paris School of Economics et CNRS Plan et objectif Pourquoi les systèmes de transport induisent des jeux / interactions

Plus en détail

Modélisation des codes de calcul dans. le cadre des processus gaussiens

Modélisation des codes de calcul dans. le cadre des processus gaussiens Modélisation des codes de calcul dans le cadre des processus gaussiens Amandine Marrel Laboratoire de Modélisation des Transferts dans l Environnement CEA Cadarache Introduction (1) Fiabilité et calcul

Plus en détail

Le recrutement CSI/LRDE

Le recrutement CSI/LRDE Le recrutement CSI/LRDE Otto Laboratoire de Recherche et Développement de l EPITA (LRDE) 10 déc 2007 (rév. 489) Otto (LRDE) CSI 10 déc 2007 1 / 32 Le recrutement CSI/LRDE 1 L option CSI 2 3 Otto (LRDE)

Plus en détail

Cours VIS : Vision par ordinateur

Cours VIS : Vision par ordinateur Cours VIS : Vision par ordinateur 1 Master 2 Recherche Informatique Éric Marchand http://www.irisa.fr/lagadic La vision par ordinateur c est quoi? 2 Mathématique, Informatique, Intelligence artificielle,

Plus en détail

Apprentissage Automatique

Apprentissage Automatique Apprentissage Automatique Introduction-I jean-francois.bonastre@univ-avignon.fr www.lia.univ-avignon.fr Définition? (Wikipedia) L'apprentissage automatique (machine-learning en anglais) est un des champs

Plus en détail

Un modèle multi-agents pour la gestion des connaissances

Un modèle multi-agents pour la gestion des connaissances Un modèle multi-agents pour la gestion des connaissances Pierre Maret, Département Informatique et LIRIS, INSA de Lyon Jacques Calmet, IAKS, Université de Karlsruhe, Allemagne Le principe général sous-jacent

Plus en détail

Segmentation d images hyperspectrales par Morphologie Mathématique

Segmentation d images hyperspectrales par Morphologie Mathématique Segmentation d images hyperspectrales par Morphologie Mathématique Guillaume NOYEL, Jesus Angulo, Dominique Jeulin {guillaume.noyel, jesus.angulo, dominique.jeulin}@ensmp.fr Centre de Morphologie Mathématique

Plus en détail

PCA appliqué à la 2D et 3D Dernière mise à jour : avril 2011

PCA appliqué à la 2D et 3D Dernière mise à jour : avril 2011 Projet 2009 2010 Biométrie 3D PCA appliqué à la 2D et 3D Dernière mise à jour : avril 2011 Département : TIC Mots clés : Biométrie, Analyse d images, Vision, Caméra thermique, Caméra temps de vol, Détection

Plus en détail

Un algorithme génétique hybride pour des problèmes de tournées de véhicules multi-attributs

Un algorithme génétique hybride pour des problèmes de tournées de véhicules multi-attributs Un algorithme génétique hybride pour des problèmes de tournées de véhicules multi-attributs Thibaut Vidal, Teodor Gabriel Crainic, Michel Gendreau Nadia Lahrichi, Walter Rei ROADEF 2010 Plan de la présentation

Plus en détail