La soutenance à lieu à 11h et le pot à 13h.
La maison Jean Kuntzman est à coté du terminus du tram et de l'ENSIMAG (école d'ingénieurs).
Elle est indiqué en rouge sur le plan suivant: http://www.imag.fr/Documents/InfosPratiques/PlanCampus.html

Pour info:

Lieu de soutenance:
Le mardi 10 mai 2005 à 11h dans l'amphithéâtre de la maison Jean Kuntzman sur
le campus de Saint Martin d'Hères.  Un pot sera offert après la soutenance.

Titre de la thèse:
"Modèles génératifs en classification supervisée et applications à
catégorisation d'images et à la fiabilité industrielle"

Résumé:

L'apprentissage statistique utilise le formalisme des probabilités et des
statistiques pour créer des algorithmes qui "s'adaptent" automatiquement en
fonction des données qui leurs sont fournies.  Les outils les plus performants
aujourd'hui (Support Vector Machine, boosting, régression logistique pénalisée
et réseaux de neurones) font partie d'une classe générale d'algorithmes de type
"discriminatif".  Cependant, dans le cas de données structurées (e.g.  les
séries temporelles et les images numériques) ou en présence d'une forte
information a priori, ces méthodes ne permettent pas de modéliser facilement le
problème et nécessitent une véritable expertise pour pouvoir être appliquées.
A l'opposé, l'approche générative permet de modéliser toutes les variables d'un
problème sous la forme d'une distribution de probabilité incluant les
informations sur la structure des données grâce à tous les outils de
modélisation non-supervisés.  Dans cette thèse, nous montrons que cette
approche, longtemps considérée comme sous-optimale, permet de résoudre des
problèmes complexes de manière cohérente.  L'approche générative est définie
dans un cadre de classification supervisée et de régression et propose
plusieurs outils novateurs pour l'apprentissage statistique supervisé.  Un
critère de sélection de modèle adapté à ce type d'approche est développé. Les
deux principales manières d'estimer les paramètres - générative et
discriminative - sont introduites et analysées en classification et en
régression, conduisant à la définition d'un nouveau type d'estimateur
intermédiaire appelé Generative-Discriminative Tradeoff (GDT).  Des exemples
d'approches génératives utilisant le formalisme des modèles graphiques sont
étudiées pour la catégorisation d'objets dans des images numériques et pour
calculer une probabilité de défaillance en fiabilité industrielle.  Enfin, un
exemple de méthode discriminative utilisant un estimateur à noyau est proposé
pour estimer la frontière d'un ensemble de points.


Rapporteurs:
   David J. HAND
   Gérard GOVAERT

Membres du jury:
Claudine ROBERT, Présidente
Gérard GOVAERT, Rapporteur
Stéphane GIRARD, Examinateur
François BILLY, Examinateur
Gilles CELEUX, Directeur de thèse
Bill TRIGGS, Co-encadrant


Accès

Accès au campus:
http://www.ujf-grenoble.fr/ujf/fr/infos_pratiques/comment_venir_a_l_ujf.phtml
Maison Jean Kuntzman: indiqué en rouge sur le plan suivant (à coté du
terminus du tram)
http://www.imag.fr/Documents/InfosPratiques/PlanCampus.html



Guillaume Bouchard