Formation Reconnaissance des motifs

Introduction

• Vue d'ensemble de la reconnaissance des motifs et de l'apprentissage automatique
• Applications clés dans divers domaines
• Importance de la reconnaissance des motifs dans la technologie moderne

Théorie des probabilités, sélection de modèles, théorie de la décision et théorie de l'information

• Fondements de la théorie des probabilités dans la reconnaissance des motifs
• Concepts de sélection et d'évaluation des modèles
• Théorie de la décision et ses applications
• Fondamentaux de la théorie de l'information

Distributions de probabilité

• Vue d'ensemble des distributions de probabilité courantes
• Rôle des distributions dans la modélisation des données
• Applications dans la reconnaissance des motifs

Modèles linéaires pour la régression et la classification

• Introduction à la régression linéaire
• Compréhension de la classification linéaire
• Applications et limites des modèles linéaires

Réseaux de neurones

• Fondements des réseaux de neurones et de l'apprentissage profond
• Entraînement des réseaux de neurones pour la reconnaissance des motifs
• Exemples pratiques et études de cas

Méthodes de noyau (Kernel methods)

• Introduction aux méthodes de noyau dans la reconnaissance des motifs
• Machine à vecteurs de support (SVM) et autres modèles basés sur les noyaux
• Applications aux données de haute dimension

Machines à noyau clairsemé (Sparse Kernel Machines)

• Compréhension des modèles clairsemés dans la reconnaissance des motifs
• Techniques de parcimonie et de régularisation des modèles
• Applications pratiques dans l'analyse des données

Modèles graphiques

• Vue d'ensemble des modèles graphiques en apprentissage automatique
• Réseaux bayésiens et champs aléatoires de Markov
• Inférence et apprentissage dans les modèles graphiques

Modèles de mélange et algorithme EM (Espérance-Maximisation)

• Introduction aux modèles de mélange
• Algorithme d'Espérance-Maximisation (EM)
• Applications dans le regroupement (clustering) et l'estimation de densité

Inférence approchée

• Techniques d'inférence approchée 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 dans la reconnaissance des motifs

Variables latentes continues

• Compréhension des modèles à variables latentes continues
• Applications à la réduction de dimension 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 associées
• Applications à l'analyse des séries temporelles et à la reconnaissance de la parole

Combinaison de modèles

• Techniques de combinaison de multiples modèles
• Méthodes ensemblistes (ensemble methods) et boosting
• Applications à l'amélioration de la précision des modèles

Résumé et prochaines étapes