Publié par : ecome | mars 22, 2011

Statlearn

Je suis allé la semaine dernière à Statlearn 2011, une conférence francophone sur l’apprentissage statistique. Beaucoup d’exposés concernaient la sparsité avec en vue des application en bio-statistique. J’en profite pour mettre des liens vers les présentations qui m’ont particulièrement intéressées. L’illustration est tirée des slides de Francis Bach et concerne l’apprentissage de dictionnaires  adapté aux données avec a priori hiérarchique, appliqué à des données textuelles en l’occurrence les abstracts de NIPS si mes souvenirs sont bons.

 

 

Pour ce qui est des présentations que j’ai plus particulièrement appréciées :

  • Bach, Francis (INRIA Paris, Ecole Normale Supérieure) : Sparse Hierachical Dictionary Learning [slides.pdf]
    (Voir la partie concernant le « dictionnary learning » en particulier lorsqu’un a priori hiérarchique est utilisé)
  • Grandvalet, Yves (CNRS, UTC) : Sparsity in learning [slides.pdf]
    (Voir la conclusion en particulier la problématique sur « l’indexations des modèles »)
  • Vert, Jean-Philippe (Mines ParisTech, Institut Curie) : Including prior knowledge in machine learning for genomic data [slides.pdf]
    (Voir la partie sur la segmentation de signaux avec des méthode de type lasso adaptées)
  • Antoniadis, Anestis (LJK, Université Joseph Fourier) : Regularizarion and shrinkage for model selection in sparse GLM models[slides.pdf]
    (Pour l’ensemble, les ponts faits entre les différents domaine ondelettes, images, apprentissage statistique)
Publicités

Laisser un commentaire

Entrez vos coordonnées ci-dessous ou cliquez sur une icône pour vous connecter:

Logo WordPress.com

Vous commentez à l'aide de votre compte WordPress.com. Déconnexion / Changer )

Image Twitter

Vous commentez à l'aide de votre compte Twitter. Déconnexion / Changer )

Photo Facebook

Vous commentez à l'aide de votre compte Facebook. Déconnexion / Changer )

Photo Google+

Vous commentez à l'aide de votre compte Google+. Déconnexion / Changer )

Connexion à %s

Catégories