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 | Scribes | Notes de cours | |
Rappel de probabilites Modeles a un noeud Modeles a deux noeuds |
30/09 | Marc Weber, Ruocong Zhang | cours1.pdf cours1.zip formulaire.pdf formulaire.tex |
Optimisation Methodes generatives pour la classification K-means Algorithme EM |
07/10 | Arnaud Fouchet, Pierre-Alain Reigneron | cours2.pdf cours2.zip |
Graphes Modeles orientes |
14/10 | Thierry Guilleminot, Amandine Schreck | cours3.pdf cours3.zip |
Modeles non orientes Elimination |
21/10 | Islem Rekik, Sixin Zhang | cours4.pdf cours4.zip |
Algorithme Somme Produit Modele de Markov cache (HMM) |
28/10 | Karen Randria, Pierrick Paillet | cours5.pdf cours5.zip |