Ce cours porte
sur la modélisation statistique de données complexes multivariées. Il est centré
sur le formalisme des modèles graphiques probabilistes (aussi appelés réseaux
Bayésiens), qui se trouvent à la frontière entre la théorie des graphes et les
probabilités. Ce formalisme regroupe un grand nombre de modèles existants
(modèle de Markov cachés, filtres de Kalman) et dséfinit la sémantique et les
algorithmes d’inférence et d’apprentissage nécessaires pour étendre
naturellement ces modèles à des situations plus complexes. Des applications des
modèles graphiques à des problèmes de vision, traitement du signal, intelligence
artificielle et bioinformatique seront présentées.
Références - Polycopié
Le cours sera
basé sur le livre en préparation de
Michael Jordan
(UC Berkeley) sur les modèles graphiques, et sur des articles
scientifiques appliquant ces techniques. Le polycopie tiré du
livre sera disponible pour les élèves suivant ce
cours (aupres du secretariat du Mastere).
Programme prévisionnel - Notes de cours
Date du cours | chapitre du polycopié | Scribes | Notes de cours | |
Apprentissage de modeles a un noeud: estimation de loi, regression, classification | 01/10/08 | 5-6-7 | G. Mesnil - N. Schmidt | cours1.pdf cours1.zip |
Algorithme EM - Rappel de theorie des graphes | 08/10/08 | 9-10 | R. Jenatton - K. Drifi | cours2.pdf cours2.zip |
Definition des modeles graphiques non orientes | 22/10/08 | 2-3-4 | F. Couzinie-Devy - F. Dore | cours3.pdf cours3.zip |
Definition des modeles graphiques orientes - Inference | 29/10/08 | 2-3-4 | Y. Chen - A.-C. Haury | cours4.pdf cours4.zip |
Chaine de Markov - Modeles graphiques Gaussiens | 05/11/08 | A. Joulin - A. Lefevre | cours5.pdf cours5.zip |
|
Analyse factorielle - Arbre de jonctions | 12/11/08 | cours6.pdf cours6.zip |
||
Inference approchee | 19/11/08 | |||