Réseaux de neurones, réseaux bayesiens et applications  (en Français) Auteur(s): LERAY PHILIPPE Éditeur(s): Institut National des Sciences Appliquées de Rouen 16-07-2004 URL d'accès:  http://asi.insa-rouen.fr/enseignement/siteUV/rna/ DOCUMENTAIREIdentifiant de la fiche: http://ori.unit-c.fr/uid/unit-ori-wf-1-753 Version: 18/12/2007 Schéma de la métadonnée: LOMv1.0, LOMFRv1.0, SupLOMFRv1.0 Droits: gratuit Ressources en libre accès, propriété exclusive de leurs auteurs et de l'INSA de Rouen. Description: Le but de l'UV est de familiariser les étudiants avec les techniques d'estimation fonctionnelle en régression et en discrimination et des modèles comme les réseaux de neurones et les réseaux bayésiens, puis d'aborder un certain nombre d'applications de ces techniques. La première partie du cours pose le problème dans le cadre linéaire (régression linéaire, discrimination linéaire) puis abordera le problème d'estimation de performances. Dans la seconde partie, le cours se concentrera sur les estimateurs non linéaires comme les réseaux de neurones de type « perceptrons multicouches », fonctions de base radiales et les cartes de Kohonen. Dans cette partie, une classification des différentes approches connexionnistes sera aussi évoquée et une technique d'apprentissage courante (la rétropropagation) sera étudiée en détails.La dernière partie du cours portera sur la notion de modèles graphiques, et particulièrement les réseaux bayesiens en abordant les problèmes d'inférence, d'apprentissage et éventuellement les "extensions" de ces modèles (temporelle, pour le diagnostic, ...). Des séances de TD mettent en application des algorithmes vus dans le cours afin de bien observer les différents problèmes pratiques posés, les limites, avantages et inconvénients de chaque méthode, etc ... Mots-clés libres: réseaux bayesiens, réseaux de neurones, probabilité conditionnelle, régression linéaire, discrimination Linéaire, rétropropagation du gradient, algorithme d'apprentissage, perceptron multi-couches, dépendance entre variables, inférence, modélisation, matlab Structure: en réseau Classification UNIT:  Classification:  Informatique > Intelligence artificielle : apprentissage, représentation Systèmes d'information > Fouille de données Indice(s) Dewey:  006.3 PEDAGOGIQUEType pédagogique: cours / présentation, exercice, expérience, outil Granularité: cours Niveau: enseignement supérieur Age attendu du l'utilisateur: 18+ Public cible: apprenant Langue de l'apprenant: Français Durée d'apprentissage: 1 jour 6 heures TECHNIQUEDate de publication: 03-07-2009 Type de contenu: texte, image fixe, ensemble de données Format: Document HTML, Document PDF Entrepôt d'origine: ori-oai-workflow Identifiant: unit-ori-wf-1-753 Type de ressource: Ressource pédagogique

Exporter au format XML