Le but de l'UV est de familiariser les étudiants avec les techniques d'estimation fonctionnelle en régression et en discrimination et des modèles comme les réseaux de neurones et les réseaux bayésiens, puis d'aborder un certain nombre d'applications de ces techniques. La première partie du cours pose le problème dans le cadre linéaire (régression linéaire, discrimination linéaire) puis abordera le problème d'estimation de performances. Dans la seconde partie, le cours se concentrera sur les estimateurs non linéaires comme les réseaux de neurones de type « perceptrons multicouches », fonctions de base radiales et les cartes de Kohonen. Dans cette partie, une classification des différentes approches connexionnistes sera aussi évoquée et une technique d'apprentissage courante (la rétropropagation) sera étudiée en détails.La dernière partie du cours portera sur la notion de modèles graphiques, et particulièrement les réseaux bayesiens en abordant les problèmes d'inférence, d'apprentissage et éventuellement les "extensions" de ces modèles (temporelle, pour le diagnostic, ...). Des séances de TD mettent en application des algorithmes vus dans le cours afin de bien observer les différents problèmes pratiques posés, les limites, avantages et inconvénients de chaque méthode, etc ...

PropertyValue
suplomfrOnto:audience
suplomfrOnto:contribution
suplomfrOnto:cout
dc:description
  • Le but de l'UV est de familiariser les étudiants avec les techniques d'estimation fonctionnelle en régression et en discrimination et des modèles comme les réseaux de neurones et les réseaux bayésiens, puis d'aborder un certain nombre d'applications de ces techniques. La première partie du cours pose le problème dans le cadre linéaire (régression linéaire, discrimination linéaire) puis abordera le problème d'estimation de performances. Dans la seconde partie, le cours se concentrera sur les estimateurs non linéaires comme les réseaux de neurones de type « perceptrons multicouches », fonctions de base radiales et les cartes de Kohonen. Dans cette partie, une classification des différentes approches connexionnistes sera aussi évoquée et une technique d'apprentissage courante (la rétropropagation) sera étudiée en détails.La dernière partie du cours portera sur la notion de modèles graphiques, et particulièrement les réseaux bayesiens en abordant les problèmes d'inférence, d'apprentissage et éventuellement les "extensions" de ces modèles (temporelle, pour le diagnostic, ...). Des séances de TD mettent en application des algorithmes vus dans le cours afin de bien observer les différents problèmes pratiques posés, les limites, avantages et inconvénients de chaque méthode, etc ... (fre)
suplomfrOnto:discipline
dc:format
  • application/pdf
  • text/html
dc:identifier
  • URI##http://ori.unit-c.fr/uid/unit-ori-wf-1-753
dc:langage
  • fre
suplomfrOnto:localisation
suplomfrOnto:niveauAggregation
suplomfrOnto:proprieteIntellectuelle
dc:rights
  • Ressources en libre accès, propriété exclusive de leurs auteurs et de l'INSA de Rouen. (fre)
suplomfrOnto:structure
dc:subject
  • Matlab (fre)
  • algorithme d'apprentissage (fre)
  • discrimination Linéaire (fre)
  • dépendance entre variables (fre)
  • inférence (fre)
  • modélisation (fre)
  • perceptron multi-couches (fre)
  • probabilité conditionnelle (fre)
  • régression Linéaire (fre)
  • réseaux bayesiens (fre)
  • réseaux de neurones (fre)
  • rétropropagation du gradient (fre)
dc:title
  • Réseaux de neurones, réseaux bayesiens et applications (fre)
dc:type
rdf:type
suplomfrOnto:typePedagogique
suplomfrOnto:version
  • 18/12/2007 (fre)

Metadata

<http://SemUNT.supelec.fr/pubby/data/ressource/unit/_1488_Reseaux_de_neurones-_reseaux_bayesiens_et_applications>  
expand all