Frumam Etage 2 - Toutes les ressources
Du lundi 09 déc. au dimanche 15 déc.

lundi 09 déc. mardi 10 déc. mercredi 11 déc. jeudi 12 déc. vendredi 13 déc. samedi 14 déc. dimanche 15 déc.
espace buffet (couloir)
12:00 à 15:00
Autre
Pot de soutenance de thèse de Margaux THOREZ
Margaux Thorez va soutenir sa thèse le mercredi 11 Décembre à partir de 10h. Suite à cette soutenance, Margaux Thorez va organiser un pot. Je souhaiterais donc réserver le couloir du 2ème étage FRUMAM (nous n'avons pas besoin de la salle de séminaire du 2ème étage car j'ai réservé la salle FRUMAM séminaire 3ème étage et car théoriquement le séminaire de doctorants a lieu en salle de séminaire FRUMAM 2ème étage).
salle de réunion : LIS-2
salle des séminaires : SEMINAIRE-2ETG
11:00 à 12:00
Séminaire
Séminaire AA
Séminaire de l'équipe Analyse Appliquée
13:30 à 16:30
Séminaire
Retransmission de la Journée autour du doctorat 2024 de la SIF
La SIF organise chaque année une journée qui présente les débouchés d'un doctorat en informatique. Cette manifestation a pour vocation d'être retransmise dans les universités. https://www.socinfo.fr/?agenda=journee-du-doctorat-2024
10:30 à 12:00
Séminaire
Séminaire doctorant
08:30 à 18:00
Séminaire
HYPERBO
11:00 à 12:30
Séminaire
Séminaire Rauzy
14:00 à 15:30
Séminaire
Séminaire signal-apprentissage : Marc Castella
Title ----- Unsupervised linear component analysis for (some) probability mixtures Abstract -------- We deal with a model where a set of observations is obtained by a linear superposition of unknown components called sources. The problem consists in recovering the sources without knowing the linear transform. We extend the well-known Independent Component Analysis (ICA) methodology. Instead of assuming independent source components, we assume that the source vector is a probability mixture of two distributions, only one of which satisfies the ICA assumptions. Concerning the other component of the mixture, two scenarios have been considered: - in case where a model is available, we show how the Iterative Conditional Estimation (ICE) can be applied - in case where the samples are concentrated in a restricted but unknown area, we propose to cluster them based on a data-driven distance. A theoretical grounding is provided through a link with the Christoffel function. The considered approaches are fully unsupervised and do not involve any learning based on a training set.
^ Haut de la page