• Aucun résultat trouvé

Classification générative des données de grande dimension : état de l'art et avancées récentes

N/A
N/A
Protected

Academic year: 2021

Partager "Classification générative des données de grande dimension : état de l'art et avancées récentes"

Copied!
2
0
0

Texte intégral

(1)

HAL Id: inria-00510571

https://hal.inria.fr/inria-00510571

Submitted on 19 Aug 2010

HAL is a multi-disciplinary open access

archive for the deposit and dissemination of sci-entific research documents, whether they are pub-lished or not. The documents may come from teaching and research institutions in France or abroad, or from public or private research centers.

L’archive ouverte pluridisciplinaire HAL, est destinée au dépôt et à la diffusion de documents scientifiques de niveau recherche, publiés ou non, émanant des établissements d’enseignement et de recherche français ou étrangers, des laboratoires publics ou privés.

Classification générative des données de grande

dimension : état de l’art et avancées récentes

Charles Bouveyron

To cite this version:

Charles Bouveyron. Classification générative des données de grande dimension : état de l’art et avancées récentes. Journées MAS et Journée en l’honneur de Jacques Neveu, Aug 2010, Talence, France. �inria-00510571�

(2)

Journ´ees MAS 2010, Bordeaux

Session : Classification

Classification g´

en´

erative des donn´

ees de grande

dimen-sion : ´

etat de l’art et avanc´

ees r´

ecentes

par Charles Bouveyron

La classification g´en´erative a du faire face ces derni`eres ann´ees `a l’augmen-tation de la dimension des donn´ees et au fl´eau de la dimension qui lui est associ´ee. Apr´es une br`eve introduction `a la classification g´en´erative, l’expos´e passera tout d’abord en revue les m´ethodes r´ecentes de classification d´edi´ees aux donn´ees de grande dimension. Quelques avanc´ees r´ecentes seront ensuite pr´esent´ees, concernant notamment la s´election de dimensions intrins´eques et le clustering dans un sous-espace discriminant.

Adresse :

Charles Bouveyron SAMOS-MATISSE

Universit´e Paris1, 90 rue de Tolbiac, 75013 Paris France E-mail : charles.bouveyron@univ-paris1.fr

<http://samos.univ-paris1.fr/~charles-bouveyron>

Références

Documents relatifs

En 1978, l’Organisation Mondiale pour la Sante (OMS) [5] reprend l’idée d’un système simplifié de collecte des données sur la mortalité, en proposant de classer les décès

Deux méthodes statistiques pour la classification et la régression en grande dimension..

Après avoir dressé une analyse critique des approches existantes pour classer des données de grande dimension, nous proposerons au chapitre 3 une re-paramétrisation du modèle de

Dans la suite des expériences, HDDA et HDDC seront comparées à différents modèles classiques de mélange gaussien : modèle gaussien avec une matrice de covariance pleine pour

Une famille de modèles gaussiens pour la grande dimension : qui prend en compte le fait que les données de grande dimension vivent dans sous-espaces de dimensions faibles, dont

En situation d’ind´ ependance entre les statistiques de s´ election et dans le cadre g´ en´ eral d’un signal ` a la fois rare et faible (paradigme “Rare-and- Weak”), Donoho

Les trois ´etapes sont constitu´ees d’un pr´etraitement des signaux (incluant d´ebruitage par ondelettes, recalage et synchronisation), d’une r´eduction de la dimension

Nous avons utilis´ e la proc´ edure s´ equentielle d´ ecrite dans le tableau 2 en par- tant de la hi´ erarchie des variables calcul´ ee sur toutes les donn´ ees sans boots-