DEUXIÈME NIVEAU
APPLICATIONS ET RÉALISATIONS

Ce cours est destiné à des ingénieurs ou chercheurs ayant suivi le cours d'initiation, ou possédant déjà des connaissances théoriques et pratiques équivalentes. A l'issue de ce cours, le stagiaire est capable, en s'appuyant sur les études de cas présentées, d'entreprendre un projet pratique mettant en oeuvre les techniques d'apprentissage statistique, en choisissant à bon escient la (ou les) technique la mieux adaptée au problème considéré.

RÉSEAUX DE NEURONES POUR LA RECONNAISSANCE AUTOMATIQUE DE L'ÉCRITURE MANUSCRITE

• Le problème de la reconnaissance des formes, le rôle de la classification, classifieurs neuronaux
  
  
• Modèles de Markov Cachés (Hidden Markov Models ou HMM) pour la modélisation de séquences ; points communs entre réseaux de neurones et modèles de Markov ; algorithmes d'apprentissage.
  
  
• Hybride de réseaux de neurones et de HMM.
  
  
• Étude de cas et démonstrations : reconnaissance de chiffres manuscrits (codes postaux), reconnaissance de l'écriture cursive (lecture automatique des montants littéraux des chèques)

COMMANDE DE PROCESSUS PAR RÉSEAUX DE NEURONES ; applications en agro-alimentaire

• Techniques neuronales d'estimation et de mesure indirecte.
  
  
• Techniques de commande neuronale : commande en boucle ouverte, commande par modèle inverse, commande avec modèle interne et commande prédictive.
  
  
• Application à des procédés de réfrigération, de séchage, de micro-filtration.
  
  
• Commande prédictive de la production de levures de Champagne.
  
  
• Prédiction de temps de fin de fermentation pour la production de bière et de yaourt.

CARTES TOPOLOGIQUES ET APPLICATIONS

• Cartes topologiques de Kohonen
  
  
• Quantification vectorielle
  
  
• Étude de cas : applications à la télédétection

RÉALISATIONS MATÉRIELLES

• Pourquoi des réalisations électroniques ?
  
  
• Exemples didactiques : physique nucléaire, météorologie.
  
  
• Types d'architectures matérielles.
  
  
• Produits disponibles sur le marché.
  
  
• Nouvelles approches : FPGA, DSP

MODÉLISATION SEMI-PHYSIQUE

• Motivation : comment introduire des connaissances avérées dans un modèle dynamique obtenu par apprentissage ?
  
  
• Mise en œuvre : exemples d'applications au sein de procédés de fabrication