Equipe Apprentissage

Responsable : Alain RAKOTOMAMONJY

Objectifs

L’objectif général consiste en l’étude des techniques de modélisation et d’apprentissage statistiques permettant d’appréhender la diversité des données (dimensionnalité, structures, non stationnarité) et la nature des solutions attendues (connaissances a priori).

Approches

  • Optimisation multi-critères (algorithmes évolutionnaires, calcul de chemin de régularisation)
  • Inférence de connaissances dans les masses de données
  • Modèles Bayésiens, Matching de graphes
  • Optimisation Apprentissage endurant et contexte (systèmes réactifs, adaptatifs, évolutifs en fonction du contexte)
  • Fusion d’information, combinaison de classifieurs, forêts aléatoires

Agenda de l'équipe

Offre d'emploi (Stage / Thèse)

Image Classification and Information extraction in Scanned Documents

The machine learning team of LITIS is engaged in a project with a company wishing to automate its supply chain by the introduction of AI technologies able to link delivery notes with purchase orders. Based on Deep Learning technologies, LITIS … Suite >>

Engineer / PostDoc position « Information extraction, Text Recognition in Historical Document Collections »

Engineer / PostDoc position Information extraction, Text Recognition in Historical Document Collections LITIS LITIS (Laboratoire d’Informatique, Traitement de l’information et des Systèmes) is a research laboratory associated to the University of Rouen Normandie, Le Havre Normandie Normandie, and School of … Suite >>

Apprendre l’émergence : Deep Learning à quel niveau de supervision ?

Vue d’ensemble « Pour un observateur B, un objet A* est un modèle d’un objet A s’il permet à B de répondre à une question qu’il se pose sur A » Marvin Minsky Pour construire un objet qui lui permette … Suite >>

Graph kernels for chemoinformatics

Graph kernels have already been applied to chemoinformatics and are based on structural information encoded within molecular graphs. However, intrinsic properties of atoms and theirs interactions induce some electronic properties which are not explicitly encoded within classic molecular graphs representations. … Suite >>

Equipe DocApp

Liens

Personnel

  • 18Permanents
  • 16Doctorants
  • 4Post-doc et ingenieurs contractuels
  • 4Associes

Applications

  • Traitement automatique de l’écrit et des documents
  • Recherche d’Information
  • Bibliothèques numériques
  • Diagnostic
  • Interfaces cerveau-machine

Mots clés

  • Graph matching
  • SVM
  • Deep Belief Neural Network
  • Forêts aléatoires
  • Optimisation multi-objectifs
  • HMM
  • Champs aléatoires
  • Combinaison / fusion d’information

Projets en cours

  • ANR ASAP (architectures profondes)
  • ANR ClasSel (classification croisée et sélection de variables)
  • ANR Genease (lab on a chip)
  • ANR DigiDoc (numérisation, document)
  • ANR JCJC Lemon (apprentissage multiobjectif)
  • GRR ET FEDER PlaIR (plateforme d'indexation régionale)
  • Evaluation de technologies de lecture automatique de documents (CASSIDIAN)
  • DocOnDemand (ITESOFT)
  • Interreg IVa DocExplore (Univ. Kent, UK)

Partenaires

Collaborations Internationales

  • Réseau d’Excellence PASCAL2 (apprentissage statistique)
  • Univ. Kent, UK (programme INTERREG IV DocExplore exploration documents anciens)
  • Telefonica I&D Barcelona (système de recommandation, reconnaissance de la parole)
  • Univ. Cornell et Univ. Rutgers, USA (sélection de variables)

Partenaires industriels et institutionnels

  • BNF (qualité des données)
  • CASSIDIAN (text mining)
  • EMC Captiva (traitement du courrier entrant)
  • Itesoft (reconnaissance des entités nommées)
  • CEA (apprentissage statistique et biologie)
  • Bertin Technologies (apprentissage statistique)
  • Thalès (filtrage d'alarmes et big data)
  • OrangeLabs (sécurité des réseaux)

Réseaux de recherche

Grands Réseaux de Recherche

Fédération de Recherche CNRS

Autres Réseaux

commodo sem, id, Praesent porta. venenatis vulputate, Sed