Académique Documents
Professionnel Documents
Culture Documents
Andrs Prez-Uribe
Mesures de similarit
La somme pondre calcule par un Perceptron peut tre vue comme une mesure de similarit entre le vecteur en entre et le vecteur de poids synaptiques.
wixi = wixi
produit scalaire Une autre faon de calculer une mesure de similarit consiste calculer une distance entre le vecteur en entre et le vecteur de poids W. e.g. d =
( x
i
wi )2
2
Andrs Perez-Uribe
y k ( x ) = w jk j ( x ),
j= 0
1 x1 xn
j ( x ) = exp( x j /2 2 j)
entres
Andrs Perez-Uribe
Andrs Perez-Uribe
Rseaux RBF
Girosi et Poggio (1990) ont dmontr que les rseaux RBF ont la proprit de meilleure approximation Les poids de la couche de sortie, les centres des fonctions radiales et les paramtres j peuvent tre trouvs par apprentissage supervis. Contraire au rseaux MLP ou lactivation des neurones de la couche cache forment une reprsentation distribue du pattern en entre (c.a.d., beaucoup de neurones de la couche cache peuvent contribuer dterminer la valeur dune sortie), dans les rseaux RBF, la reprsentation des patterns en entre est plus locale (peu de neurones dans la couche cache ont une activation significative pour un pattern en entre donne).
Andrs Perez-Uribe
Rseaux RBF
Dans le cas de rseaux RBF il y a donc moins d'interfrence entre les neurones de la couche cache lors de lapprentissage. Les centres des fonctions radiales et les paramtres j peuvent tre initialiss par des mthodes de clustering (groupement), manuellement, ou par apprentissage non supervis.
Andrs Perez-Uribe
MLP
RBF
Andrs Perez-Uribe
Classifieurs noyau
Les Support Vector Machines (SVM) ont t dvelopps par Vladimir Vapnik (AT&T research labs). Ide: beaucoup des problmes de classification ne sont pas linairement sparables, mais la projection de donnes sur un espace plus haute dimension peut les rendre linairement sparables. Les donnes en entre sont donc projets sur un espace plus haute dimension laides des fonctions noyau et ensuite on cherche faire une sparation linaire de lespace haute dimension.
Andrs Perez-Uribe
Duda et al.
Andrs Perez-Uribe
Duda et al.
Andrs Perez-Uribe
10
Sries temporelles
! ! ! Problme: prdire le future partir du pass donne la srie temporelle {x(t), x(t-1), x(t-n)} prdire x(t+s), s est lhorizon de prdiction Exemple: prdiction de la valeur dune action Autres applications: Classification des sries: le prix augmente , ! le prix diminue,, pas de changement Description dune srie en utilisant les paramtres dun modle Transformation dune srie en une autre srie: prix du ptrole -> valeur dune action
Andrs Perez-Uribe
11
Sries temporelles
Prdire le futur partir du pass (s=1):
12
En traitement du signal on appelle cette structure un filtre FIR (Finite Impulse Response). En statistique on lappelle filtre moving average. Dans le domaine des rseaux de neurones, on lappelle rseau TDNN (Time-delay neural network).
Andrs Perez-Uribe
13
Rseaux de Elman
x1 x2 y
mmorisation de y(t)
Andrs Perez-Uribe
14
En traitement du signal on appelle cette structure un filtre IIR (Infinite Impulse Response). En statistique on lappelle filtre Auto-regressive moving average. Dans le domaine des rseaux de neurones, on lappelle rseau DTRNN (Discrete time recurrent neural network).
Andrs Perez-Uribe
15
hidden
U V hidden(t-1) U input(t-1) V hidden(t-2) U input(t-2)
Andrs Perez-Uribe
input
V hidden(t-3)
16
NETtalk
Andrs Perez-Uribe
17
18
Andrs Perez-Uribe
19
20
Moisson coupe
4 mois 4 mois
coupe
Andrs Perez-Uribe
21
donnes catgoriques
(type de sol)
Andrs Perez-Uribe
22
L'analyse de llectrocardiogramme lors dun diagnostic comprend la mesure des amplitudes et dures ainsi que l'examen de la morphologie des ondes P, Q, R, S et T (voir ci-dessus). Pour caractriser un lectrocardiogramme nous avons utilis la dure du complexe QRS, de l'intervalle PR, de l'intervalle QT, de l'onde T et de londe S.
Andrs Perez-Uribe
23
diagnostic
24
25
Prdiction de tubes
Features par fentre (f1, f2, ...fn) Exemples pour lentranement: f11,f12,..., f1n, f21, f22, ... f2n, f31, f32 ... f71, f72,... f7n ; tube f11,f12,..., f1n, f21, f22, ... f2n, f31, f32 ... f71, f72,... f7n ; tube ... f11,f12,..., f1n, f21, f22, ... f2n, f31, f32 ... f71, f72,... f7n ; notube f11,f12,..., f1n, f21, f22, ... f2n, f31, f32 ... f71, f72,... f7n ; notube
Andrs Perez-Uribe
26
Rseau de Hopfield
En 1982, J.J Hopfield et D.W. Tank proposent un modle de rseau constitu de N neurones tats binaires (-1, 1 ou 0, 1 suivant les versions) tous interconnects. Ltat ai de chaque neurone est calcul en fonction de la somme pondr des tats de tous les neurones. Un rseau de Hopfield possde une valeur scalaire appele nergie:
Andrs Perez-Uribe
27
input
28
K-Nearest Neighbors
Pour prdire la classe d'un nouveau cas, l'algorithme cherche les K plus proches voisins de ce nouveau cas et prdit (sil faut choisir) la rponse la plus frquente de ces K plus proches voisins. La mthode utilise donc deux paramtres: le nombre K et la fonction de similarit pour comparer le nouveau cas aux cas dj classs. Memory-based reasoning: cette mthode diffre des traditionnelles mthodes dapprentissage car aucun modle n'est induit partir des exemples. Les donnes restent telles quelles : elles sont simplement stockes en mmoire.
Andrs Perez-Uribe
29
Andrs Perez-Uribe
30
K=7 Choisir le modle qui donne le plus petit erreur de test ou faire de la validation croise et choisir le modle avec le plus petit erreur de gnralisation
Andrs Perez-Uribe
31
Andrs Perez-Uribe
32
exp(D( x, )
i j =1
! W(x,i) est la pondration des valeurs donnes par les k plus proches voisins, et D(x,i) est la distance entre le point en entre x et les centres i, i=1,2,k.
Andrs Perez-Uribe
33
Application: beautification
T. Leyvand, D. Cohen-Or, G. Dror et D. Lischinski, Digital Face Beautification, ACM SIGGRAPH 2006 Ils dfinissent un espace de haute dimension appel face space o on reprsente un portrait par un point et ils associent un score de beaut chaque portrait. Pour rendre un portrait plus beau, on cherche les K voisins les plus proches dans lespace de caractristiques des portraits et on adapte les caractristiques du portrait original.
Andrs Perez-Uribe
34
Application: beautification
Weighted KNN
Andrs Perez-Uribe
35
Exemples de beautification
Andrs Perez-Uribe
36