Merci d'avoir envoyé votre demande ! Un membre de notre équipe vous contactera sous peu.
Merci d'avoir envoyé votre réservation ! Un membre de notre équipe vous contactera sous peu.
Plan du cours
Introduction
- Aperçu de la reconnaissance des formes et de l'apprentissage automatique
- Principales applications dans divers domaines
- Importance de la reconnaissance des formes dans la technologie moderne
Théorie des probabilités, sélection de modèles, théorie de la décision et de l'information
- Bases de la théorie des probabilités dans la reconnaissance des formes
- Concepts de sélection et d'évaluation des modèles
- Théorie de la décision et ses applications
- Principes fondamentaux de la théorie de l'information
Distributions de probabilités
- Vue d'ensemble des distributions de probabilités courantes
- Rôle des distributions dans la modélisation des données
- Applications à la reconnaissance des formes
Modèles linéaires pour la régression et la classification
- Introduction à la régression linéaire
- Comprendre la classification linéaire
- Applications et limites des modèles linéaires
Neural Networks
- Principes de base des réseaux neuronaux et de l'apprentissage profond
- Entraînement des réseaux neuronaux pour la reconnaissance des formes
- Exemples pratiques et études de cas
Méthodes à noyau
- Introduction aux méthodes à noyau dans la reconnaissance des formes
- Machines à vecteurs de support et autres modèles à noyau
- Applications aux données de haute dimension
Machines à noyau clairsemé
- Comprendre les modèles épars en reconnaissance des formes
- Techniques pour l'espacement et la régularisation des modèles
- Applications pratiques dans l'analyse des données
Modèles graphiques
- Vue d'ensemble des modèles graphiques dans l'apprentissage automatique
- Réseaux bayésiens et champs aléatoires de Markov
- Inférence et apprentissage dans les modèles graphiques
Modèles de mélange et EM
- Introduction aux modèles de mélange
- Algorithme de maximisation des attentes (EM)
- Applications au regroupement et à l'estimation de la densité
Inférence approximative
- Techniques d'inférence approximative dans les modèles complexes
- Méthodes variationnelles et échantillonnage de Monte Carlo
- Applications à l'analyse de données à grande échelle
Méthodes d'échantillonnage
- Importance de l'échantillonnage dans les modèles probabilistes
- Techniques de Monte Carlo par chaîne de Markov (MCMC)
- Applications à la reconnaissance des formes
Variables latentes continues
- Comprendre les modèles de variables latentes continues
- Applications à la réduction de la dimensionnalité et à la représentation des données
- Exemples pratiques et études de cas
Données séquentielles
- Introduction à la modélisation des données séquentielles
- Modèles de Markov cachés et techniques connexes
- Applications dans l'analyse des séries temporelles et la reconnaissance vocale
Combinaison de modèles
- Techniques de combinaison de modèles multiples
- Méthodes d'ensemble et boosting
- Applications à l'amélioration de la précision des modèles
Résumé et prochaines étapes
Pré requis
- Compréhension des statistiques
- Familiarité avec le calcul à plusieurs variables et l'algèbre linéaire de base
- Une certaine expérience des probabilités
Public
- Analystes de données
- Doctorants, chercheurs et praticiens
21 Heures