Ce cours a pour but d'offrir une introduction douce aux méthodes numériques et statistiques utilisées, en particulier, en intelligence artificielle et en imagerie.

Il aborde les méthodes numériques et statistiques de l'Intelligence Artificielle en s'appuyant sur des exemples de problèmes issus de la reconnaissance des formes et d'autres problèmes décisionnels de l'IA. Il met en avant la compréhension de notions de base et leur utilisation sur des cas concrets qui feront l'objet de TP. L'accent sera mis sur les aspects applicatifs du traitement et de l'analyse des données.

• Cours 1.1 : statistique descriptive :
  • Notions de base de la stat descriptive (population, caractères, etc)
  • Variables discrètes, continues...
  • Effectifs, distributions, discrétisation
  • Graphiques (diagrammes en bâtons, histogrammes)
  • Caractéristiques statistiques (médiane, moyenne, variance, etc)
• Cours 1.2 : introduction aux probabilités :
  • Probabilités objectives v.s. subjectives
  • La notion d'événement
  • Définition de Kolmogorov
  • Probabilités conditionnelles
  • Formule de Bayes
  • Indépendance, indépendance conditionnelle
• Cours 1.3 : probabilités (suite) :
  • Variables aléatoires
  • Caractéristiques et variables aléatoires
  • Indépendances de variables aléatoires
  • Loi binomiale et loi de Poisson
  • Loi normale
• Cours 2 : Échantillons, estimations ponctuelles :
  • Lois des grands nombres
  • Le théorème central-limite
  • Échantillonnage
  • Estimations ponctuelles à partir d'échantillons
  • Biais dans les estimateurs
• Cours 3 : Intervalles de confiance, tests d'hypothèses :
  • Intervalles de confiance
  • Tests d'hypothèses
  • Loi du chi2
• Cours 4 : Tests d'ajustement, apprentissage de paramètres :
  • Tests d'ajustement
  • Tests d'indépendance
  • Application aux réseaux bayésiens
  • Introduction à l'apprentissage de paramètres
  • Maximum de vraissemblance
• Cours 5 : MAP et apprentissage non paramétrique :
  • Maximum a posteriori
  • Estimation de densité

Les cours suivants seront assurés par Patrick Gallinari et porteront sur les points suivants :

• Cours 6 : Régression linéaire
• Cours 7 : Méthodes de clustering (K-means, Kohonen, etc)
• Cours 8 : Classification bayésienne
• Cours 9 : Classificiation gaussienne
• Cours 10 : Classifieurs linéaires (LDA, perceptron, etc)

Cours 1.1 :	( 1/page)	( 4/page)
Cours 1.2 :	( 1/page)	( 4/page)
Cours 1.3 :	( 1/page)	( 4/page)
Cours 2 :	( 1/page)	( 4/page)
Cours 3 :	( 1/page)	( 4/page)
Cours 4 :	( 1/page)	( 4/page)
Cours 5 :	( 1/page)	( 4/page)

le poly des 5 premiers cours

le poly de TD/TME de la 1ère partie du cours

Les TME sont à soumettre sur l'URL http://www-desir.lip6.fr/~gonzales/teaching/rfidec/soumission/soumission.php

• Christopher M. Bishop (2008) « Pattern Recognition And Machine Learning », 2ème édition, Springer
• Richard O. Duda, Peter E. Hart, David G. Stork (2000) « Pattern Classification », 2ème édition, Wiley-Interscience
• Sergios Theodoridis, Konstantinos Koutroumbas (2003) « Pattern Recognition », 2ème édition, Academic Press
• Andrew Webb (2002) « Statistical Pattern Recognition », 2ème édition, John Wiley & Sons
• Gilbert Saporta (2006) « Probabilités, analyse des données et statistique », 2ème édition, éditions Technip
• Patrick Naïm, Pierre-Henri Wuillemin, Philippe Leray, Olivier Pourret, Anna Becker (2007) « Réseaux bayésiens », 3ème édition, Eyrolles
• Finn V. Jensen, Thomas Nielsen (2007) « Bayesian Networks and Decision Graphs », 2ème édition, Springer