Logo LVSN
EnglishAccueil
A proposPersonnesRecherchePublicationsEvenementsProfil
A propos
Séminaires REPARTI


Les Séminaires REPARTI à l'Université Laval ont lieu le vendredi à 11h30.
Veuillez consulter le programme pour plus de détails.

Projet de maîtrise, de doctorat ou stage postdoctoral en apprentissage automatique au sein de l'équipe du Prof. Christian Gagné : veuillez consulter l'annonce suivante pour tous les détails : http://vision.gel.ulaval.ca/~cgagne/postes2017.html

 

 

 

 

REPARTI

MIVIM

Jun 18 2008 11:00AM

Frédéric Ratle
Institut de Géomatique et d'Analyse du Risque, Université de Lausanne


Réseaux de neurones pour l'apprentissage non supervisé - Nouvelles méthodes et applications



Résumé

Les méthodes d'apprentissage non supervisé fondées sur l'analyse d'un graphe de similarité (notamment le clustering spectral et les Laplacian Eigenmaps) ont permis d'effectuer des progrès considérables dans des tâches de classification non supervisée et de visualisation de données non linéaires de haute dimension. Ces méthodes, bien qu'élégantes et très performantes sur des problèmes de taille modérée, se heurtent à de nombreux obstacles lorsqu'on les applique à de grandes bases de données. Au vu de la quantité de données disponibles dans des domaines tels que la vision, la télédétection en haute résolution ou la fouille de données Web, ceci est un problème non négligeable.

Dans cette présentation, j'aborderai le problème de la classification non supervisée pour de grands ensembles de données. Après une courte introduction aux méthodes matricielles, différentes méthodes d'entraînement de réseaux de neurones pour des tâches d'apprentissage non supervisé seront présentées, ainsi qu'une nouvelle technique spécifiquement adaptée pour le clustering. Les résultats sur des données artificielles ainsi que sur des cas d'étude réels démontrent que ce type d'approche est nettement avantageux par rapport aux méthodes matricielles, non seulement en termes d'extensibilité à de grandes bases de données, mais aussi au niveau de l'erreur de classification.


Cette présentation sera donnée à 11h00 dans la salle Pouliot-2750.




     
   
   

©2002-. Laboratoire de Vision et Systèmes Numériques. Tous droits réservés