JY Tigli Homepages

Voici quelques éléments techniques, en particulier des librairies portables qui reprennent les concepts vus dans le cours de F. Precioso et C. Dartigues et qui vous permettront de finaliser votre projet.

Les algorithmes mis en œuvre pour faire du partitionnement ne sont pas forcément complexes et peuvent être développés directement sans s'appuyer sur un framework élaboré. Cela est d'autant plus vrai pour le cours PLIM qu'il ne vous est pas demandé un travail poussé sur la machine learning mais essentiellement son utilisation pour la valorisation de votre travail.

Voici quelques exemples qui vous seront utiles si vous ne voulez pas vous lancer dans les tests des parties opérationnelles du portage d'Accord sous Windows Phone.

Il s'agit d'un algorithme de classification non supervisé. L'algorithme k-means, parfois appelé l'algorithme de Lloyd, est applicable uniquement pour les données purement numériques.

Il consiste à

1. initialiser le partitionnement
2. début boucle
3. calculer les valeurs moyennes de chaque groupe
4. mettre à jour le partitionnement à partir des nouvelles moyennes
5. fin de boucle

Vous trouverez toutes les explications sur K-means clustering sous C#

Voici le code source de l'exemple en C# pour le K-means clustering.

Voici le projet C# “Windows application console”, que vous pouvez tester Projet .sln

Les librairies Alglib offrent une version libre et gratuite en pure C# alglib-3.8.2.csharp.zip.

Ces librairies sont portables sous Windows Phone avec le code C# en mode managé bien sur (i.e. pas de noyau en code natif, donc moins performant mais portable).

Elles fournissent des algorithmes de classification en mode supervisé ou non, tels que :

• les forêts aléatoires ou forêts d'arbres décisionnels(Random Forest et dforest subpackage]).

Les forêts aléatoires sont des techniques très utilisées pour la prise la reconnaissance comme celle des gestes et postures (ex. sur la kinect). Des principes de base doivent être assimilés avant d'aller plus loin dans leur mise en œuvre.

• le Classification ascendante hiérarchique (Agglomerative hierarchical clustering).

La Classification ascendante hiérarchique (CAH) est un algorithme de clustering populaire qui agglomère des petits groupes dans des plus grands jusqu'à obtenir un grand groupe qui inclut tous les points / objets.

Les données du problème comprennent alors un ensemble de points (ou objets), une métrique (la formule qui est utilisée pour déterminer la distance entre deux points), le type de liaison (la formule qui est utilisé pour déterminer la distance entre deux groupes).

Vous pourrez trouver plus de détails sur Techniques Exploratoires Multivariées

Les projets de ce module sont développés sous Windows Phone 8.X.

Un des frameworks les plus connus sous .Net est le framework Accord dans lequel on peut trouver un grand nombre de libraires pour le Machine Learning, la vision, le traitement audio, le traitement du signal en général et des applications statistiques. Pour faire vos premiers pas voici des pages bien conçues.

La version Accord .Net est opérationnelle sous windows 8.x. Le portage pour cible mobile Windows Phone est en cours. Quelques démos sont opérationnelles mais la compilation et le déploiement de toutes les librairies pour Windows Phone n'est toujours pas validée.