Classification et regression

Volume important des données

Analyse des données

Source de  Exploratoire : rechercher des régularités

données dans les données
 Confirmatoire : répondre à des questions
précises
 Descriptive : caractériser les données
observées
 Décisionnelle : aller au-delà des données
observées

Comment accélérer le processus de

Développer les Outils de Classification catégorisation des données tout en
Automatique assurant plus de précision?
 Exemple d’application

A Quoi Sert la Classification Automatique ?

La classification automatique (clustering) est
 évaluer
l’opération la qualité
d’arranger, selon des données,
certains critères, une
 Extraire
distribution des les données pertinentes
données composée etd’un
importantes,
Text Mining Segmentation d’image Reconnaissance de signature
 Découvrir la structure des données,
Sécuritéd’observations hétérogènes
ensemble dans des
Biologie Finance
groupescontenant
Organiser
deset observations
gérer les données.
homogènes,
appelés classes.

Préparation de données

- Intégration, réduction et Procédure de

transformation des classification Analyse des résultats
données automatique et
Collection des - Etablissement des validation des • Interprétation
Données objectifs résultats • Compréhension
• Décision
 Etat de l’art
Approche utilisée
Classification automatique
Contributions Réseaux de Neurones Artificiels
Expérimentations
Conclusion & perspectives

Quelle
mesure de
ressemblance
?

Comment
Quelle est la identifier une Quel
validité de ce approche de processus de
résultat ? traitement?
classification
?

Comment
définir le
nombre des
classes ?
 Etat de l’art
Approche utilisée
Classification automatique
Contributions Réseaux de Neurones Artificiels
Expérimentations
Conclusion & perspectives

Mesure de Distance

Facteurs
d’homogénéité
n
 Temps de calcul réduit
Similarité
, y)   ( xi  yi ) 2
DE(xConnectivité
Proximité i 1

n
 calcule le chemin parcouru en forme de grille DE ( X i , Yi )   X i ,k  Yi ,k
k 1

Objectif
T
 Maximiser DM(X   μ  la 1 X  μ 

, μ )  etX minimiser
 basée sur la corrélation entre leslavariables
ressemblance inter-classe
q k  q k k  q k
ressemblance intra-classe.
 Etat de l’art
Approche utilisée
Classification automatique
Contributions Réseaux de Neurones Artificiels
Expérimentations
Conclusion & perspectives

les différentes approches de classification automatique

PROCEDURES GLOBALES PROCEDURES LOCALES

Approches statistiques non

Approches paramétriques
Approches
statistiques métriques

Approches
Analyse des Détection des modes Détection des
Connexionnistes
mélanges contours des modes
Apprentissage Maxima Local
Connexionnistes Opérateurs
différentiels
Techniques de Convexité
partitionnement Morphologie
Morphologie Mathématique
Méthodes
hiérarchiques
Statistiques
d’Ordre

Champ de Markov

Analyse de Texture
Clustering K-means algorithm
 Principle
An algorithm that works in two
steps
1. Assignment of points to
nearest center
2. displacement from the center
to the average of the cluster