Formation Apprentissage automatique (machine learning) pour le traitement du signal et de l’image

Présentation

Cette formation de 4 jours dans le domaine de la science des données traite de l'apprentissage automatique pour le traitement du signal et de l'image.

Objectifs

• Acquérir les outils méthodologiques de base du machine learning : modélisation, estimation, optimisation

• Mettre ces outils en application pour des problèmes de traitement du signal et de l’image

Contenu de la formation

1er JOUR (cours et travaux pratiques) :

1) Théories de l'estimation et de la détection

• Rappels de probabilités
• Estimation : méthodes des moments et du maximum de vraisemblance, estimation bayésienne
• Détection : tests paramétriques, test d'hypothèses

2ème JOUR (cours et travaux pratiques) :

2) Introduction aux problèmes inverses

• Formulation du problème direct
• Problèmes mal posés, mal conditionnés
• Régularisation, pénalisation, parcimonie
• Formulation probabiliste et bayésienne
• Applications en déconvolution, restauration, super-résolution

3ème JOUR (cours et travaux pratiques) :

3) Classification et reconnaissance des formes

• Analyse statistique de données multivariées
• Classification supervisée
• Classification non-supervisée

4) Décompositions matricielles et apprentissage de dictionnaire

• Analyse en composantes principales
• Factorisation en matrices non-négatives
• Applications en séparation de source & analyse spectrale

4ème JOUR (cours et travaux pratiques) :

5) Introduction à l'optimisation déterministe et stochastique

• Optimisation convexe
• Optimisation sous contraintes
• Optimisation lisse et non lisse
• Intégration de Monte Carlo
• Simulation stochastique

Intervenants :

Cédric Févotte – CNRS
Thomas Oberlin – ENSEEIHT
Marie Chabert – ENSEEIHT
Nicolas Dobigeon – ENSEEIHT

Condition d'accès

• Bac +5
• Probabilités, statistique, intégration et algèbre
• Calcul scientifique (par ex., MATLAB)

Lieu(x) de la formation

• Toulouse

Contact(s) administratif(s)