La classification et la reconnaissance des
formes sont des disciplines qui intéressent de nombreuses
communautés comme la communauté statistique, le
traitement du signal et des images, le traitement de la parole ... Tout
problème de classification peut se décomposer en
deux étapes essentielles :
- L'extraction et la
sélection de paramètres pertinents : cette étape
est fortement liée à la nature des signaux
étudiés. Par exemple, les paramètres
appropriés à la reconnaissance de la parole ou à
la classification d'images sont différents et découlent
de la structure naturelle du signal de parole ou d'une image. Les
techniques d'analyse de données comme l'analyse en composantes
principales ou l'analyse factorielle discriminante permet
également d'obtenir des informations intéressantes pour
l'extraction de paramètres.
- L'apprentissage : la
règle de classification optimale (par exemple en termes de
probabilité d'erreur) issue de l'analyse statistique
Bayésienne nécessite la connaissance a priori des
propriétés statistiques des observations de chaque
classe. Lorsque cette connaissance n'est pas disponible, on a recours
à une phase d'apprentissage qui consiste à estimer les
quantités inconnues à l'aide de données. On parle
d'apprentissage supervisé Lorsque la classe de ces vecteurs de
données est connue, et d'apprentissage non supervisé dans
le cas contraire.
Le cours sera découpé en trois
chapitres :
- Méthodes
d'analyse de données pour la sélection de
paramètres
- "Classifieur"
Bayésien et Apprentissage
- Réseaux de
neurones et machines à vecteurs supports
|
