François Chung, Ph.D.

Tag: apprentissage non supervisé

Apprentissage profond et TensorFlow

Apprentissage profond et TensorFlow

Formation Cognitive Class, MOOC (2020). Ce parcours d'apprentissage présente les concepts de base de l'apprentissage profond et de TensorFlow avec une expérience pratique basée sur la résolution de problèmes. Tout au long de la formation, TensorFlow est utilisé dans l'ajustement de courbe, la régression, la classification et la minimisation des fonctions d'erreur. Ce concept est ensuite exploré dans le monde de l'apprentissage profond où TensorFlow est appliqué pour la rétropropagation afin d'ajuster les poids et les biais.

Cours 1: Les fondamentaux de l'apprentissage profond

Sujets principaux:

  • Introduction à l'apprentissage profond;
  • Modèles d'apprentissage profond;
  • Modèles d'apprentissage profond supplémentaires;
  • Plateformes et bibliothèques d'apprentissage profond.

Cours 2: Apprentissage profond avec TensorFlow

Sujets principaux:

  • Introduction à TensorFlow;
  • CNN - Réseau de neurones convolutifs;
  • RNN - Réseau de neurones récurrents;
  • Apprentissage non supervisé.

Références

Formation

Deep learning fundamentals (Les fondamentaux de l'apprentissage profond, certificat de cours)
Deep Learning Essentials (badge de certification)
Deep learning with TensorFlow (Apprentissage profond avec TensorFlow, certificat de cours)
Deep Learning using TensorFlow (badge de certification)

Articles associés

En savoir plus

Fondamentaux de Spark

Fondamentaux de Spark

Formation Cognitive Class, MOOC (2020). Ce parcours d'apprentissage aborde les principes fondamentaux de Apache Spark, un moteur open source pour le traitement de données à grande échelle qui révolutionne le monde de l'analyse et du big data. Cette formation est l'occasion d'apprendre des leaders du secteur qui utilisent Spark, technologie reposant sur la vitesse, la facilité d'utilisation et l'analyse, et offre des opportunités et des projets pratiques pour renforcer la confiance avec l'ensemble des outils Spark.

Cours 1: Fondamentaux de Spark I

Sujets principaux:

  • Introduction à Spark;
  • Resilient Distributed Dataset (RDD) et DataFrames;
  • Programmation d'applications Spark;
  • Introduction aux bibliothèques Spark;
  • Configuration, surveillance et réglage de Spark.

Cours 2: Fondamentaux de Spark II

Sujets principaux:

  • Introduction aux notebooks;
  • Architecture RDD;
  • Optimisation de transformations et actions;
  • Mise en cache et sérialisation;
  • Développement et testing.

Cours 3: Spark MLlib

Sujets principaux:

  • Types de données Spark MLlib;
  • Revue des algorithmes;
  • Arbres de décision et forêts aléatoires;
  • Clustering Spark MLlib.

Cours 4: Exploration de GraphX

Sujets principaux:

  • Introduction à Graph-Parallel;
  • Exploration des opérateurs graphiques;
  • Visualisation et modification de GraphX;
  • Agrégation et mise en cache.

Cours 5: Big data dans R avec Spark

Sujets principaux:

  • Introduction à SparkR;
  • Manipulation de données avec SparkR;
  • Apprentissage automatique avec SparkR.

Références

Formation

Spark fundamentals I (Fondamentaux de Spark I, certificat de cours)
Spark – Level 1 (badge de certification)
Spark fundamentals II (Fondamentaux de Spark II, certificat de cours)
Spark MLlib (certificat de cours)
Exploring GraphX (Exploration de GraphX, certificat de cours)
Big data in R using Spark (Big data dans R avec Spark, certificat de cours)
Spark - Level 2 (badge de certification)

Articles associés

Fondamentaux de Hadoop (formation Cognitive Class)
Spécialisation en science des données (formation Coursera)

En savoir plus

Spécialisation en science des données

Spécialisation en science des données

Formation Coursera, MOOC (2020). Cette spécialisation couvre les concepts et les outils nécessaires à la science des données, de la formulation des bonnes questions à la réalisation d'inférences et la publication des résultats. Les sujets abordés incluent l'utilisation de R pour nettoyer, analyser et visualiser les données, utiliser GitHub pour gérer des projets en science des données et effectuer une analyse de régression, des moindres carrés et des inférences à l'aide de modèles de régression.

Cours 1: Boîte à outils du data scientist

Sujets principaux:

  • Fondamentaux de la science des données;
  • R et Rstudio;
  • Contrôle de version et GitHub;
  • R Markdown, raisonnement scientifique et big data.

Cours 2: Programmation en R

Sujets principaux:

  • Contexte et mise en route;
  • Programmation avec R;
  • Fonctions de boucle et débogage;
  • Simulation et profilage de code.

Cours 3: Obtenir et nettoyer les données

Sujets principaux:

  • Recherche de données et lecture de différents types de fichiers;
  • Systèmes de stockage de données;
  • Organisation, fusion et gestion des données;
  • Manipulation de texte et de données en R.

Cours 4: Analyse exploratoire des données

Sujets principaux:

  • Graphiques analytiques et représentation graphique en R;
  • Lattice et ggplot2;
  • Réduction dimensionnelle des données;
  • Techniques d'analyse de cluster.

Cours 5: Recherche reproductible

Sujets principaux:

  • Concepts, idées et structure;
  • Markdown et knitr;
  • Check-list de la recherche reproductible;
  • Analyse de données factuelles.

Cours 6: Inférence statistique

Sujets principaux:

  • Probabilité et espérance mathématique;
  • Variabilité, distribution et asymptote;
  • Intervalles, tests et valeur-p;
  • Tests de puissance, bootstrap et permutation.

Cours 7: Modèles de régression

Sujets principaux:

  • Moindres carrés et régression linéaire;
  • Régression linéaire et multivariée;
  • Résidus et diagnostics;
  • Régression logistique et de Poisson.

Cours 8: Apprentissage automatique

Sujets principaux:

  • Prédiction, erreurs et validation croisée;
  • Paquet caret;
  • Arbres de décision et forêts aléatoires;
  • Régression régularisée et combinaison de prédicteurs.

Cours 9: Développement de produits de données

Sujets principaux:

  • Shiny, GoogleVis et Plotly;
  • R Markdown et Leaflet;
  • Paquets R et Swirl.

Références

Articles associés

Conférence ODSC APAC 2023 (conférence ODSC)
Fondamentaux de Spark (formation Cognitive Class)
Fondamentaux de Hadoop (formation Cognitive Class)
AWS: fondations et apprentissage automatique (formation AWS)

En savoir plus

CVIU 2013 - Article de revue scientifique

CVIU 2013 – Article de revue scientifique

Publication

François Chung, Hervé Delingette; Regional appearance modeling based on the clustering of intensity profiles; In: Computer Vision and Image Understanding (CVIU), 117 (6), pp. 705-717, 2013.

Abstract

Model-based image segmentation is a popular approach for the segmentation of anatomical structures from medical images because it includes prior knowledge about the shape and appearance of structures of interest. This paper focuses on the formulation of a novel appearance prior that can cope with large variability between subjects, for instance due to the presence of pathologies. Instead of relying on Principal Component Analysis (PCA) such as in Statistical Appearance Models (SAMs), our approach relies on a multimodal intensity profile atlas from which a point may be assigned to several profile modes consisting of a mean profile and its covariance matrix. These profile modes are first estimated without any intra-subject registration through a boosted Expectation-Maximization (EM) classification based on spectral clustering. Then, they are projected on a reference mesh whose role is to store the appearance information in a common geometric representation. We show that this prior leads to better performance than the classical monomodal PCA approach while relying on fewer profile modes.

Mots-clés

  • appearance modeling
  • medical imaging
  • model-based image segmentation
  • unsupervised clustering

Références

Publication

Articles associés

3D Anatomical Human (projet INRIA)
Ph.D. Thesis 2011 (thèse de doctorat)

LAP 2011 - Livre

LAP 2011 – Livre

Publication

François Chung; Regional appearance modeling for model-based image segmentation: Methodological approaches to improve the accuracy of model-based image segmentation; Lambert Academic Publishing (LAP), Saarbrücken, 2011; ISBN: 978-3844322095.

Abstract

This thesis presents a novel appearance prior for model-based image segmentation. This appearance prior, denoted as Multimodal Prior Appearance Model (MPAM), is built upon an Expectation–Maximization (EM) clustering of intensity profiles with model order selection to automatically select the number of profile classes. Unlike classical approaches based on Principal Component Analysis (PCA), the clustering is considered as regional because intensity profiles are classified for each mesh and not for each vertex. Comparative results on liver profiles from Computed Tomography (CT) images show that MPAM outperforms PCA-based appearance models. Finally, methods for the analysis of lower limb structures from Magnetic Resonance (MR) images are presented. A first part deals with the creation of subject-specific models for kinematic simulations of the lower limbs. In a second part, the performance of statistical models is compared in the context of lower limb bone segmentation when only a small number of datasets is available for training.

Références

Publication

Livre (Amazon)
Livre (MoreBooks)
Référence bibliographique (BibTeX)

Articles associés

3D Anatomical Human (projet INRIA)
Ph.D. Thesis 2011 (thèse de doctorat)

En savoir plus

LAP – Lambert Academic Publishing