Machines à vecteurs de support

Échecs

PatternRecognizer est une bibliothèque d'algorithmes d'apprentissage automatique rapide. Elle contient des machines à vecteurs de support, des réseaux de neurones, des bayes, des boost, des k-voisins les plus proches, des arbres de décision, ..., etc.

Cet exemple démontre l'apprentissage d'un motif d'échiquier avec une machine à vecteur de support. Le motif d'échiquier est un ensemble de données synthétiques de 640 points aléatoires.



Légende : les carrés représentent les vecteurs de soutien.

Classificateur perceptron à une couche

Cet exemple d'application est similaire au précédent, mais il démontre la classification d'un plus grand nombre de classes de données (elles sont également toutes linéairement séparables du reste des données). Pour pouvoir classer davantage de classes, cette application utilise déjà une couche de perceptrons, mais pas une seule. Le réseau neuronal le plus simple qui a été démontré a un nombre de sorties égal au nombre de classes. Pour une entrée donnée, le réseau attribue la valeur 1 à l'une de ses sorties et la valeur 0 aux autres. La sortie dont la valeur est fixée à 1 représente la classe de la valeur attribuée au réseau.

Détection des visages (détecteur d'objets Haar)

Détection des visages à l'aide de la méthode de détection des visages basée sur des caractéristiques rectangulaires de type Haar, souvent connue sous le nom de méthode Viola-Jones.

Suivi des visages

Suivi de visage (ou d'objet) utilisant Viola-Jones pour la détection de visage et Camshift pour le suivi d'objet. Peut être utilisé dans les espaces colorimétriques RVB et HSL (peut nécessiter quelques réglages pour HSL).

Prévisions financières

Cette application démontre l'utilisation des réseaux neuronaux pour prédire les valeurs des parts de marché.

Cette capacité de "prévision" en fait un outil parfait pour plusieurs types d'applications :

• Interpolation et approximation des fonctions
• Prédiction des tendances dans les données numériques
• Prévision des mouvements sur les marchés financiers

Tous les exemples sont en fait très similaires, car en termes mathématiques, vous essayez de définir une fonction de prédiction F(X₁, X₂, ..., X_n), qui, en fonction des données d'entrée (vecteur [X₁, X₂, ..., X_n), va "deviner" (interpoler) la sortie Y. Le domaine le plus passionnant de la prédiction est celui des marchés financiers.

Reconnaissance des gestes de la main en temps réel

Reconnaissance des gestes de la main en temps réel, basée sur des réseaux neuronaux (perceptron multicouche, Hopfield NN)

Dans le cadre de l'application, il y a reconnaissance des formes (gestes de la main), prises à l'aide de l'appareil photo. La position de la main dans l'image est déterminée par la couleur des pixels de la main. Pour la reconnaissance des formes, on utilise des réseaux neuronaux (perceptron multicouche, réseau neuronal Hopfield). La reconnaissance se fait en temps réel

Cette capture d'écran montre la fenêtre principale de l'application, ainsi que le résultat de la reconnaissance.

Ceci montre la fenêtre de réglage des couleurs et le choix des espaces colorimétriques.

BAOA (Big Data Online Analysis)

BAOA est le plus populaire pour l'exploration des flux de données. Elle comprend une collection d'algorithmes d'apprentissage automatique (classification, régression, regroupement, détection de valeurs aberrantes, détection de dérives conceptuelles et systèmes de recommandation) et des outils d'évaluation.

BAOA (Big Data On-ligne Analyse) est un cadre pour l'exploration de flux de données. Il comprend des outils d'évaluation et une collection d'algorithmes d'apprentissage automatique. L'objectif de BAOA est d'offrir un cadre de référence pour la réalisation d'expériences dans le contexte de l'exploration de flux de données en prouvant que

• des paramètres stockables pour les flux de données (réels et synthétiques) pour des expériences reproductibles
• un ensemble d'algorithmes et de mesures existants dans la littérature à des fins de comparaison et d'évaluation.
• un cadre facilement extensible pour de nouveaux flux, algorithmes et méthodes d'évaluation.

Le flux de travail dans BAOA suit le schéma simple décrit ci-dessous : premier un flux de données (alimentation, générateur) est choisi et configuré, deuxième un algorithme (par exemple un classificateur) est choisi et ses paramètres sont définis, troisième la méthode ou la mesure d'évaluation est choisie et enfin les résultats sont obtenus après l'exécution de la tâche.

Pour réaliser une expérience à l'aide de BAOA, l'utilisateur peut choisir entre une interface utilisateur graphique (GUI) et une exécution en ligne de commande. BAOA prend actuellement en charge la classification des flux, le regroupement des flux, la détection des valeurs aberrantes, la détection des changements et la dérive des concepts, ainsi que les systèmes de recommandation. Nous travaillons à l'extension de BAOA pour prendre en charge d'autres tâches d'exploration sur les flux de données.