Techniques Avancées de l'Information 2e édition

    1 INTRODUCTION
   
2 LA CHAINE COMPLETE DE TRAITEMENT DE L'INFORMATION.
    2.1 Acquisition.
          2.1.1 La notion d'abstraction
          2.1.2 Les familles de signaux usuellement captés
    2.2 Traitement du signal.
          2.2.1 Définition
          2.2.2 Les bases mathématiques
    2.3 L'a priori
    2.4 Extraction de caractéristiques.
          2.4.1 Définition / Objet
          2.4.2 Les bases mathématiques
          2.4.3 L'a priori
    2.5 Interprétation / Décision.
          2.5.1 Objet
          2.5.2 Les bases théoriques
          2.5.3 L'a priori
    2.6 Critique de la chaîne complète.
          2.6.1 Niveaux bas purement algorithmiques.
          2.6.2 Perte d'information, incertitude, imprécision et redondance
          2.6.3 Irréversibilité
    2.7 Exemples de problèmes complexes.
          2.7.1 Interprétation d'images
          2.7.2 Reconnaissance de la parole
          2.7.3 Segmentation de clientèle
          2.7.4 « Profiling » de l’internaute
   
3 ACQUISITION
    3.1 L'acquisition du monde : notion de découpage arbitraire
          3.1.1 Notion de résolution adaptée au problème.
          3.1.2 Notion d'écart de linéarité
          3.1.3 Notion de bande passante d'observation.
          3.1.4 Notions sur les erreurs élémentaires.
          3.1.5 Notions sur les erreurs dues aux facteurs d'influence externes
          3.1.6 Notions sur l'erreur liée à l'observation
          3.1.7 Notion d'observation "passive ou active"
    3.2 Les familles de capteurs.
          3.2.1 Capteurs centralisés.
          3.2.2 Capteurs distribués.
          3.2.3 Des exemples de capteurs.
          3.2.4 Les mesures de température.
          3.2.5 Les capteurs d'images.
          3.2.6 Les capteurs d'odeurs.
          3.2.7 Les questionnaires (études de marché et sondages d’opinion)
    3.3 Les influences sur la chaîne de traitement située en aval.
    3.4 Caractéristiques du capteur idéal.
   
4 TRAITEMENT DU SIGNAL
    4.1 Familles de traitements.
          4.1.1 Traitements non adaptatifs.
          4.1.2 Les transformées linéaires
          4.1.3 Les transformations non-linéaires.
          4.1.4 Filtrage linéaire.
          4.1.5 Filtrage non-linéaire.
          4.1.6 Traitements adaptatifs.
    4.2 Problème de modélisation d'une séquence d'opérateurs.
    4.3 Vérification des a priori, complexification des modèles
    4.4 Notion naissante d'adaptation.
    4.5 Exemples de traitements.
          4.5.1 Codage binaire d'images numériques
          4.5.2 Analyse structurale de galaxies par transformation en ondelettes
    4.6 Caractéristiques du traitement idéal. Influence de cette étape sur l'étape      située en aval.
   
5 TRAITEMENT DE L'INFORMATION
    5.1 La quantité d'information.
    5.2 Les estimateurs couramment utilisés.
          5.2.1 Extraits de signaux.
          5.2.2 Paramètres statistiques simples.
          5.2.3 Les méthodes évoluées d'analyse : l'analyse factorielle
          5.2.4 Les modèles de production.
    5.3 Différence entre entités théoriques et estimateurs calculés.
    5.4 Sémantique associée aux estimateurs
    5.5 Data Mining
    5.6 Le problème du choix des caractéristiques.
    5.7 Exemples d’applications
          5.7.1 Marketing direct
          5.7.2 Détection de fraudes
          5.7.3 Reconnaissance de défauts
    5.8 Réflexion : l'extraction idéale de caractéristiques

    6 DECISION / INTERPRETATION
    6.1 Nécessité d'un modèle de décision
    6.2 Utilisation de la déduction.
          6.2.1 L'acquisition de la connaissance.
          6.2.2 La représentation de la connaissance
          6.2.3 Résolution de problèmes :
    6.3 La transformation numérique->symbolique.
    6.4 La nature intrinsèque des données d'entrée.
    6.5 Redondances et contradictions, données incomplètes ou incertaines dues aux pertes d'information dans la chaîne.
    6.6 Problème du choix d'un mode de raisonnement.
    6.7 Apprentissage.
    6.8 Le data mining
           6.8.1 Techniques du data mining
           6.8.2 Data mining et analyse de données
    6.9 Exemples d'applications.
           6.9.1 Interprétation de structures complexes dans les images
           6.9.2 Système expert de diagnostic financier pour les entreprises.
           6.9.3 Gestion de la relation client (CRM : Customer Relationship Management)
    6.10 Réflexion : le raisonnement idéal.
   
7 LES NOUVELLES TECHNIQUES
    7.1 Les réseaux neuronaux.
          7.1.1 Les origines.
          7.1.2 Types de réseaux neuronaux.
          7.1.3 Les propriétés macroscopiques des réseaux neuronaux.
          7.1.4 Les grands principes des règles d'apprentissage
          7.1.5 Apports dans la chaîne de traitement à divers niveaux
          7.1.6 Exemples d'applications industrielles.
          7.1.7 Discussion : débat sur le niveau de modélisation.
    7.2 La Logique Floue.
          7.2.1 Les origines.
          7.2.2 Caractéristiques.
          7.2.3 Apports dans la chaîne de traitement
          7.2.4 Exemples de réalisations industrielles
    7.3 Les Algorithmes Génétiques.
          7.3.1 Les origines
          7.3.2 Les principes : reproduction, mutation, combinaison entre individus.
          7.3.3 Caractéristique fondamentale : le parallélisme implicite.
          7.3.4 L'opérateur d'auto-cohérence.
          7.3.5 Apports dans la chaîne de traitement à divers niveaux.
          7.3.6 Exemples d'application
    7.4 Une approche pour fédérer des techniques hétérogènes en traitement de l'information : la méthodologie A.G.E.N.D.A.
          7.4.1 Historique.
          7.4.2 Intégrer des réseaux de neurones dans une chaîne de traitement avec A.G.E.N.D.A.
          7.4.3 Généralisation de l'approche A.G.E.N.D.A.
    8 SYNTHESE
    9 BIBLIOGRAPHIE