1 / 17

Laboratoire 4 Développement d’un système intelligent

DÉPARTEMENT DE GÉNIE LOGICIEL ET DES TI GTI770 - SYSTÈMES INTELLIGENTS ET APPRENTISSAGE MACHINE ÉTÉ 2014. Laboratoire 4 Développement d’un système intelligent. Enseignant : Patrice Boucher Chargés de laboratoire : Faten M’ hiri. Objectif.

manchu
Télécharger la présentation

Laboratoire 4 Développement d’un système intelligent

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. DÉPARTEMENT DE GÉNIE LOGICIEL ET DES TI GTI770 - SYSTÈMES INTELLIGENTS ET APPRENTISSAGE MACHINE ÉTÉ 2014 Laboratoire 4 Développement d’un système intelligent Enseignant : Patrice Boucher Chargés de laboratoire : Faten M’hiri

  2. Objectif Développement d’un système intelligent pour: • Reconnaissance faciale OU • Filtrage de pourriels

  3. Projet 1 : La reconnaissance faciale • Objectif: Reconnaitre une personne parmi K individus à partir de sa photo. • Problème de classification à K classes Source : http://www.doc.ic.ac.uk/~sl203/?id=9

  4. Projet 1 : La reconnaissance faciale • Algorithmes suggérés: • Eigenfaces, • Fisherfaces, • Les machines à vecteurs de support (SVM), • Les réseaux de neurones.

  5. Eigenfaces Eigenfaces Images d’apprentissage Source: http://vision.stanford.edu/teaching/cs231a/lecture/lecture2_face_recognition_cs231a.pdf

  6. Support Vector MachineSVM Source : http://www.cs.columbia.edu/~kathy/cs4701/documents/jason_svm_tutorial.pdf

  7. Réseaux de neuronesNN Source: Artificial Neural Network-Based Face Recognition, Boukelif & Adjoudj, 2004

  8. Projet 1 : La reconnaissance faciale • Données: • Faces-dataset.zip : • Dossier train: • 40 dossier (donc nombre de classes = 40): • 1 dossier pour chaque individu : 9 images • Dossier test: • 40 images de chaque individu • Format des images : PNG

  9. Projet 2 : Le filtrage de pourriels • Objectif: Identifier les courriels non sollicités (spam) à partir d’un ensemble de courriel. • Problème de classification binaire: spam et non-spam. Source: http://ploum.net/post/89-the-ploum-s-ultimate-anti-spam-solution

  10. Projet 2 : Le filtrage de pourriels • Algorithmes suggérés: • Classifieur naïf de Bayes, • Latent semanticindexing (LSI), • Les arbres de décisions, • Les machines à vecteurs de support (SVM), • Les réseaux de neurones.

  11. Latent SemanticIndexing • Faites une recherche google pour : ~tutorial Google a désactivée cette option depuis un an (http://searchenginewatch.com/article/2277383/Google-Kills-Tilde-Search-Operator)

  12. Arbre de décision Source : http://aqualonne.free.fr/Teaching/csc/DM.pdf

  13. Projet 2 : Le filtrage de pourriels • Données: Prétraitées avec seulement les mots les plus pertinents dans les documents. • Spam-dataset.zip: • Train.txt : • 1 ligne représente 1 document: 0,0,0,0,0.32,0.32,0,0,0,0,0,0.32,0,0,0,0,0,0,1.3,0,0.98,0,0,0,0,0,0,0,0.32,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0.65,0,0,0,0,0,0.257,0,0,0,0,1.3,7,104,0 • Test.txt: même format que train Voir les fichier README.txt et name.txt pour plus de détails La fréquence calculée freq(w) des 48 mots significatifs La fréquence calculée freq(c) des 6 caractères significatifs La longueur moyenne des séquences ininterrompues de lettres majuscules 1 valeur binaire indiquant si le courriel est un pourriel (1) ou non (0) La longueur de la plus longue séquence ininterrompue de lettres majuscules Le nombre total de lettres majuscules

  14. Travail à réaliser • Conception de la méthode: comprenant • Une courte revue de la littérature, • Analyse de données : types d’attributs, distributions des exemples,etc. • Sélection d’un algorithme, • Définition du modèle et ses paramètres, • Définition de l’approche de validation. • Remettre le rapport de conception (3-4 pages maximum) décrivant la conception et la justification de vos choix : à remettre dimanche le 13juillet 2014 à 18h.

  15. Travail à réaliser (2) • Implémentation de la méthode: • Le langage de votre choix, • Possibilité d’utiliser le logiciel/la librairie de votre choix (ex: weka). • NOTE: Il est interdit d’utiliser tout logiciel implémentant la totalité de votre projet. • Pas de correction interactive pour ce laboratoire: votre code source doit contenir un fichier README.txtdécrivant les étapes à suivre pour exécuter votre travail.

  16. Travail à réaliser (3) • Validation de la méthode: • Les données d’entrainement : pour la sélection et l’apprentissage des paramètres, • Les données de tests serviront à évaluer le travail de chacun, • Décrire les résultats obtenus. Remettre le rapport final du laboratoire 4 : concentré uniquement sur les parties implémentation et résultats (vous n'avez pas à fournir la partie conception de nouveau)

  17. Remise • À remettre: • Code source • Rapport (voir l’énoncé et le gabarit) • Date de remise: • Le 8 Août 2014 à 8h am • Note: • Voir l’énoncé pour les consignes de la remise

More Related