Optimisation et outils pour l'intelligence artificielle [T9ES242M]

Optimisation et outils pour l'intelligence artificielle [T9ES242M]

En pratique

Nature
Elément constitutif
Volume horaire de TP
16
Volume horaire de TD
6
Volume horaire de CM
24
Volume horaire de travail personnel
31
Langue d'enseignement
Français

Description du contenu de l'enseignement

Classification de pixels en imagerie hyperspectrale. L'objectif est de réaliser et de comparer plusieurs approches séquentielles de réduction de dimensionnalité (ACP, ACI, autoencodeur) et de classification supervisée (kNN, LDA, SVM, MLP et autres approches à base de réseaux de neurones) pour la classification de pixels avec connaissance partielle de la classe d'appartenance d'un échantillon d'apprentissage.

Organisation

Modalités d'organisation et de suivi

Projet Groupe 2 : Classification de pixels en imagerie hyperspectrale.
L'objectif est de réaliser et de comparer plusieurs approches séquentielles de réduction de dimensionnalité (ACP, ACI, autoencodeur) et de classification supervisée (kNN, LDA, SVM, MLP et autres approches à base de réseaux de neurones) pour la classification de pixels avec connaissance partielle de la classe d'appartenance d'un échantillon d'apprentissage.

Informations pédagogiques

Compétences à acquérir

  • Mettre en œuvre les outils de traitement du signal et de l’image et les applications du domaine
  • Mettre en œuvre des raisonnements, des méthodes et outils mathématiques
  • Analyser et formaliser un problème

Bibliographie, lectures recommandées

Maïtine Bergounioux – Optimisation et contrôle des systèmes linéaires. Cours et exercices avec solutions, Editions Dunod, 2-10-005626-3, (2001). Stephen Boyd and Lieven Vandenberghe – Convex Optimization, ISBN 0-521-83378-7, Cambridge University Press, 2004 (also available on the Internet). ________________________________________ Optimization Learning objectives Content Prerequisites Literature

Dernière modification : mer, 06/01/2021 - 09:43