Concepts avancés en mathématiques et informatique appliquées MAP-6014.

Slides:



Advertisements
Présentations similaires
Tests et Validation du logiciel
Advertisements

Regroupement (clustering)
Efficient Simplification of Point-Sampled Surfaces
Regroupement (clustering)
Localisation fine de QTL par déséquilibre de liaison Simon BOITARD Durée : octobre 2003-septembre 2006 Laboratoire : BIA (biométrie et intelligence artificielle)
Correction des flats-fields Nadège Meunier Atelier MTR, 17 janvier 2006, Tarbes.
Classification supervisée Marine Campedel avril 2005.
Collecte de données F. Kohler.
Tests non paramétriques
Les K plus proches voisins
Application de réseaux bayésiens à la détection de fumées polluantes
E-Motion Group © Olivier Aycard (E. Gaussier) Université Joseph Fourier Méthodes de classification.
Modélisation des systèmes non linéaires par des SIFs
Concepts avancés en mathématiques et informatique appliquées
Mirta B. Gordon Laboratoire Leibniz-IMAG Grenoble
UNIVERSITE DES SCIENCES ET DE LA TECHNOLOGIE D’ORAN
Chapitre 2 Les indices.
Méthodes de Biostatistique
RECONNAISSANCE DE FORMES
Concepts avancés en mathématiques et informatique appliquées MAP-6014.
Concepts avancés en mathématiques et informatique appliquées
Méthode des k plus proches voisins
Concepts avancés en mathématiques et informatique appliquées MAP-6014.
La segmentation
RECONNAISSANCE DE FORMES
DEA Perception et Traitement de l’Information
RECONNAISSANCE DE FORMES
Programme de Seconde 21/10/2009 Rentrée 2009 – 2010.
Les réseaux de neurones
Dépannage du 12 mars 2007.
RECONNAISSANCE DE FORMES
Structure discriminante (analyse discriminante)
MAP-6014 Concepts avancés en mathématiques et informatique appliquées
Géométrie analytique Distance entre deux points.
MAP-6014 Concepts avancés en mathématiques et informatique appliquées
Recherche d’ensembles chromatiques
Introduction à la reconnaissance:
Outils mathématiques pour le datamining
BIO 4518: Biostatistiques appliquées Le 4 octobre 2005 Laboratoire 3 ANOVA à un critère de classification.
Classification : objectifs
GRAPHISME PAR ORDINATEUR
Intervalles de confiance pour des proportions L’inférence statistique
Sujets spéciaux en informatique I PIF Approches non-paramétriques u Technique de classification NN u Technique de classification k-NN u Erreurs.
Physique et atmosphère : force de gradient de pression
Reconnaissance de chiffres manuscrits
Sujets spéciaux en informatique I
DU TRAITEMENT DU SIGNAL
Divination En quoi consiste ce tour?
Analyse de variance à un critère de classification (ANOVA)
Présenté par : ABED Djemaa; BAKHOUIA Roqiya.
1 Prédiction de mobilité basée sur la classification selon le profil DAOUI Mehammed Université Mouloud Mammeri Tizi-Ouzou Rencontres sur.
Concepts avancés en mathématiques et informatique appliquées MAP-6014.
Interpolation et Approximation
STATISTIQUES.
8ème cours de Mécanique Analytique (28/10/2010)
Concepts avancés en mathématiques et informatique appliquées
Analyse des semis de point
Programmation créative – Les vecteurs
LOI NORMALE LOI STUDENT ECHANTILLONS ET TESTS DE MOYENNE
Segmentation (2 ième partie) Références: Sonka et al: sections 6.2.6, 10.2 (10.6) Autres: chap Forsyth chap. 4 Ballard & Brown (pour GHT) Dernière.
1_Introduction Toute mesure est entachée d’erreur. Il est impossible d’effectuer des mesures rigoureusement exactes. Pour rendre compte du degré d’approximation.
ECHANTILLONAGE ET ESTIMATION
Scénario Quatre hipsters entrent en collision un dans l'autre dans un ascenseur plein de personnes. En conséquence ils laissent tomber leurs téléphones.
Comparaison post-classification. Le problème du projet 3 Les changements du couvert arborescent dans le territoire urbain (zone blanche) de la Communauté.
Reconnaissance de formes: lettres/chiffres
Les ventilateurs Etude de cas n°1 1 : Observations - Comparaisons
INTELLIGENCE ARTIFICIELLE
Mathématiques – Calcul mental
Mathématiques – Calcul mental
Transcription de la présentation:

Concepts avancés en mathématiques et informatique appliquées MAP-6014

Approches non-paramétriques u Technique de classification NN u Technique de classification k-NN u Erreurs de classification NN

Technique de classification NN u La technique du voisin le plus proche nous permet d’éviter le problème de calcul des probabilités u En fait, nous classons une observation x inconnue dans la classe la plus proche (NN), ou à l’observa- tion la plus proche dans les données d’entraînement

Technique de classification NN u Nous devons alors déterminer l’observation de référence la plus proche. La distance Euclidienne est donnée par

Technique de classification NN u Autres distances Différence absolue Distance maximale Minkowski

Technique de classification NN u Exemple de classification NN

Technique de classification k-NN u Une généralisation de la technique NN consiste à associer la classe C i à une observation x dont font partie une majorité des k voisins les plus proches de x u Si nous utilisons 3 voisins, l’observation de l’exemple précédent sera classé dans B puisque 2/3 voisins appartiennent à B

Technique de classification k-NN (Comparaison de l’erreur) 2 classes