traitement d'images par modèles discrets sur ... - Olivier Lezoray
traitement d'images par modèles discrets sur ... - Olivier Lezoray
traitement d'images par modèles discrets sur ... - Olivier Lezoray
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
58 Chapitre 3 - Classification de données d’images <strong>par</strong> apprentissage<br />
➤ Dans la Section 3.5, nous nous intéressons au problème de la combinaison de fonctions de<br />
décision binaires induites <strong>par</strong> un schéma de décomposition donné. Nous proposons plusieurs<br />
schémas de décodage (i.e. combinaison) et montrons finalement qu’une sélection de<br />
modèle globale est plus efficace qu’un ensemble de sélections de <strong>modèles</strong> indépendantes.<br />
3.1 Principes de la classification<br />
3.1.1 Généralités<br />
Chez tous les êtres vivants, on observe une certaine aptitude à acquérir de nouveaux comportements<br />
à <strong>par</strong>tir d’interactions avec leur environnement. L’objectif de l’apprentissage <strong>par</strong><br />
ordinateur est d’étudier et de mettre en oeuvre des tels mécanismes <strong>sur</strong> des systèmes artificiels.<br />
Selon la définition qu’en donne MITCHEL [MITCHE97], « Apprendre consiste à améliorer les<br />
performances d’un système <strong>sur</strong> une tâche donnée à <strong>par</strong>tir d’expériences ». Même si d’énormes<br />
progrès ont été réalisés dans la construction de <strong>modèles</strong> d’apprenants artificiels, nous sommes<br />
évidemment encore loin des capacités d’apprentissage de la plu<strong>par</strong>t des êtres vivants. IZHIKE-<br />
VICH a cependant pu effectuer une simulation d’un modèle de neurones impulsionels qui a la<br />
taille du cerveau humain [IZHIKE06], il en a conclu que l’on devrait pouvoir simuler le cerveau<br />
humain en temps réel à <strong>par</strong>tir de 2016. L’apprentissage artificiel <strong>par</strong> ordinateur se trouve ainsi<br />
au carrefour de nombreuses disciplines telles que les mathématiques, l’intelligence artificielle,<br />
les sciences sociales, la biologie etc. Il s’inscrit également dans un cadre plus général. En effet,<br />
avec l’avènement de la société de l’information, des données sont produites en masses et de<br />
nombreux besoins sont ap<strong>par</strong>us pour leur <strong>traitement</strong> et leur analyse car ces masses de données<br />
atteignent des complexités telles, qu’elles sont difficilement analysables <strong>par</strong> un être humain.<br />
L’ensemble de ces éléments d’aide à l’exploitation de masses de données fait référence à un<br />
champ de recherche nommé le « Data Mining » ou la « Fouille de Données ». La fouille de données<br />
est un terme récent qui résulte d’un mélange d’idées et d’outils provenant de la statistique,<br />
de l’intelligence artificielle, de l’informatique, etc. Même si sa définition exacte est encore floue,<br />
on peut dire que la fouille de données est un processus d’extraction de connaissances valides et<br />
exploitables à <strong>par</strong>tir de masses de données. La fouille de données se décompose habituellement<br />
en plusieurs étapes :<br />
1. Compréhension et analyse des objectifs de l’application,<br />
2. Création d’une base de données pour la mise au point de l’application,<br />
3. Pré-<strong>traitement</strong> et nettoyage des données,<br />
4. Analyse statistique des données (réduction de dimension, etc.),<br />
5. Identification du type de problème et choix d’un algorithme,<br />
6. Evaluation des performances de l’algorithme,<br />
7. Ré-itérer les étapes précédentes si nécessaire,<br />
8. Déploiement de l’application.<br />
La fouille de données se propose donc d’utiliser un ensemble de méthodes pour construire<br />
des concepts à <strong>par</strong>tir des données. Ces concepts permettent de grouper des éléments entre eux<br />
<strong>par</strong>ce qu’ils ont des descriptions proches. On peut construire des concepts sous forme de <strong>modèles</strong><br />
globaux (analyse macroscopique des données) ou bien sous forme de motifs locaux (analyse