Programmé en MRSISEAUE36I
Présentation :
Ce module a une vocation d'implémentation et de mise en pratique de différents algorithmes ou méthodes de résolution de problèmes.
Le premier bloc consiste à introduire les réseaux connexionnistes (ou réseaux de neurones) comme une réponse possible à des problèmes de classification, la problématique de classification ayant déjà été recontrée dans les niveaux précédents. Le domaine des réseaux de neurones est vaste et comprend de nombreux modèles et approches. Ainsi, les deux réseaux de neurones généralement rencontrés seront présentés plus en détail :
- les perceptrons multi-couches avec un apprentissage reposant sur l'algorithme de rétro-propagation de l'erreur,
- les réseaux compétitifs avec un éclairage plus particulier sur les cartes de Kohonen.
Ces deux types de réseaux feront l'objet d'une implémentation en Matlab par les élèves, afin de mieux appréhender la réalité de la mise en oeuvre de telles solutions neuronales, sur un ou plusieurs cas concrets de classification (classification des iris de Fisher, de chiffres manuscrits, de dossiers de crédit, ...)
Au delà de l'aspect strictement réseaux connexionnistes, ce bloc sera l'occasion de discuter des questions à se poser pour répondre de manière appropriée, à un problème concret : quel modèle d'architecture utiliser ? quelles approches d'apprentissage envisager (supervisées, non supervisées) ? par quelles données le problème est-il décrit ? et généralement tous les problèmes liés à la représentation de ces données.
Le second bloc de TP sera l'occasion de mettre en pratique des concepts abordés au niveau 1 (EM, Kalman), sur des applications concrètes. Une attention toute particulière sera donc donnée à l'adéquation entre la modélisation formelle utilisée pour répondre à un problème et la réalité de celui-ci : quelles hypothèses considérer avec leur cadre de validité ? quelles adaptations ou réglages du modèle idéal mettre en oeuvre ? ...
Volume horaire :
18h
Contenu détaillé :
Réseaux de neurones :
- C1/C2 : Réseaux à apprentissage supervisé, Réseaux multicouches, Applications et mise en oeuvre des perceptrons.
- TP1 : Reconnaissance par réseaux de neurones (MLP) de caractères manuscrits.
- C3 : Réseaux compétitifs, apprentissage non supervisé.
- C4 : Réseaux de Kohonen. Applications.
- TP2 : Mise en œuvre d'un fil et d'une carte de Kohonen. Application au cadre des caractères manuscrits, ...
Applications pratiques :
- TP3 : Application de l'algorithme "Expectation-maximisation" (EM)
- TP4 : Filtrage particulaire pour les systèmes chaotiques.
Année 2016/2017
Dernière mise à jour le 04-MAY-16
Validation par le responsable de programme le
|
