Analyse discriminante appliqué en informatique
Bonjour tout le monde
je suis en licence math et je cherchais un sujet pour le mémoire quand j'ai trouvé celui la Analyse discriminante appliqué en informatique.
J'ai fais des recherches pour mieux comprendre ce qu'on appel La reconnaissance optique de caractères , et j'ai aussi vu que le sujet n'étais pas facile du toutdonc j'aimerais bien si quelqu'un a une idée ou pourra me passer un cour un article ou n'importe ce que pourra m'aider . Merci infiniment
tu parles de ces deux modèles de classification supervisée ?
- LDA (linear discriminant analysis)
http://en.wikipedia.org/wiki/Linear_...inant_analysis- SVM (support vector machine)
http://en.wikipedia.org/wiki/Support_vector_machine
https://fr.wikipedia.org/wiki/Machin...:_Kernel_trick
qu'est-ce que tu ne comprends pas déjà avec LDA ?
ce que je cherche c'est l'application de l'analyse discriminante pour la reconnaissance optique des caractère
http://fr.wikipedia.org/wiki/Reconna...aract%C3%A8res
donc j'aimerais bien avoir la méthode d'application , les résultas .... bref , la base pour faire un mémoire
et Merci infiniment pour ton aide
Tu as compris la théorie : LDA, SVM, et kernel-SVM (en fait SVM fait presque toujours référence à kernel-SVM) ?
Tu connais google et surtout scholar.google.com ?
Dans les articles ils parlent de reconnaissance de caractères : OCR (optical character recognition)
OCR+SVM donne des milliers de résultats !
C'est la reconnaissance de lettres manuscrites, de lettre dactylo, ou la reconnaissance de texte manuscrit, ou de texte dactylo qui t'intéresse ? Pour les lettres dactylo il existe d'autres algorithmes qui se basent sur la "topologie" des lettres (décomposition en barre, boucles, et autres zigouigouis).
Le top à mon avis pour commencer c'est de se renseigner sur l'algorithme utilisé à la poste pour la lecture des adresses. Après si tu maîtrises super bien la programmation, tu peux te lancer avec OpenCV OCR.
Il y a en général plusieurs étapes pour l'OCR :
- la segmentation du texte en lettres,
- un SVM pour reconnaître les lettres,
- un dictionnaire et autres modèles pour évaluer la plausibilité de telle ou telle suite de lettres en cas d'incertitude
L'étape 2 est bien maîtrisée (kernel-SVM) depuis plus de 10 ans donc beaucoup de chercheurs essayent de modifier les étapes 1/2/3 en utilisant des méthodes compliquées.
Dernière modification par acx01b ; 03/04/2014 à 14h43.
Bon, à mon avis, l'OCR c'est beaucoup plus compliqué comme sujet que la colorisation de vidéos noir et blanc.. Et ce n'est vraiment pas niveau licence (c'est clairement un sujet de stage de 6mois de M2 recherche).
Le problème c'est que pour bien comprendre kernel-SVM il faut d'abord bien comprendre le kernel trick et donc commencer par regarder :
- comment K-means et PCA deviennent kernel K-means et kernel PCA (c'est avant tout une histoire de matrices semi défini positives et de décomposition)
- comprendre SVM (sans le kernel)
- ensuite seulement essayer de faire le lien entre tout ça et l'algorithme d'apprentissage utilisé pour kernel-SVM
Si tu y arrives, tu pourras t'intéresser à l'étape 3 de l'OCR qui utilise beaucoup de modèles probabilistes, log-vraissemblance, algorithme EM et autres HMM.
Enfin tu peux regarder l'étape 1 de l'OCR qui est de loin la plus compliquée (depuis l'invention de kernel-SVM qui résoud l'étape 2). Pourquoi ? Parce qu'il n'y a pas de "modèle" évident et général pour la segmentation de texte en lettres : c'est avant tout du bidouillage qu'il est difficile de justifier par un modèle théorique.
Il y a un cas particulier pour l'étape 1 : les textes dactilo avec une seule taille de police et d'interligne. Dans ce cas des algorithmes beaucoup plus simple et justifiés par de vrai modèles peuvent être utilisés.
Dernière modification par acx01b ; 03/04/2014 à 15h28.
pourquoi employer cette terminologie en langue anglaise quand existent les termes "estimateur à noyau", "k plus proches voisins", "analyse en composantes principales", etc?Envoyé par acx01b
parce que les cours en français sur le net sont en général très mauvais par rapport aux cours en anglais qui utilisent ces termes, que les recherches sur google donnent des résultats intéressants avec ces termes là et pas avec leurs équivalents francisés, et parce que utiliser des termes anglais pour l'informatique et l'algorithmique est une pratique généralisée qui n'est en rien négative selon moi.
Dernière modification par acx01b ; 03/04/2014 à 16h02.
Ce qui est amusant c'est que toutes ces méthodes ont leur origine dans le champ de la statistique, et que bien qu'elles aient été créées en Grande Bretagne (pour l'analyse discriminante linéaire de Fisher) ou aux Etats-Unis (les méthodes à base de noyaux), les statisticiens français ont toujours employé des noms français. Mais dès que les informaticiens s'en sont saisis, ils en ont réanglicisé les noms.
acx01b, vous avez raison le sujet est vraiment compliqué pour moi donc si vous voyez que la colorisation de video noir et blanc est moins difficile j'en serais très reconnaissant si vous m'aidez a savoir ce dont on a besoin pour le sujet . merci bcp
