Modèles de Markov cachés pour l’étiquetage de séquences

1 - Contexte, applications et modélisation

• 1.1 - Illustration d’une application des MMC
  Figure 1 - Exemple de tâche d’étiquetage à l’aide d’un MMC
• 1.2 - Applications emblématiques
• 1.3 - Modélisation par des modèles à états

2 - Chaînes de Markov et automates probabilistes à états finis

• 2.1 - Chaînes de Markov
  Figure 2 - Exemple de chaîne de Markov ergodique et gauche-droite
• 2.2 - Illustration
  Figure 3 - Exemples de chaînes de Markov Figure 4 - Exemples de séquences générées aléatoirement par la chaîne de Markov de la figure 3b
• 2.3 - Durée de séjour dans un état
• 2.4 - Estimation et inférence

3 - Modèles de Markov cachés : la théorie

• 3.1 - Définition et principe
  Figure 5 - Représentation d'un MMC comme un réseau bayésien dynamique Figure 6 - Représentation d’un modèle de Markov caché discret Figure 7 - Exemple de MMC pour le tirage d'une pièce de monnaie truquée Figure 8 - Modélisation d'un même processus de lancers successifs avec deux pièces de monnaies Figure 9 - Exemple de modèle de Markov caché continu et des exemples de séquences d’observations produites par ce modèle
• 3.2 - Calcul de la vraisemblance d’une séquence observée
  Figure 10 - Calcul Forward pour un modèle gauche-droite
• 3.3 - Inférence du chemin optimal pour une séquence observée
  Figure 11 - Calcul du meilleur chemin par l’algorithme de Viterbi
• 3.4 - Estimation des paramètres à partir d’un corpus d’apprentissage
• 3.5 - Extension des modèles markoviens cachés

4 - Les modèles de Markov cachés en pratique

• 4.1 - Prétraitements et extraction de caractéristiques
  Figure 12 - Prétraitement des données pour une application en reconnaissance d’écriture manuscrite
• 4.2 - Initialisation
  Figure 13 - Initialisation d’un modèle gauche-droite par alignement linéaire
• 4.3 - Estimation de probabilités de transitions sur corpus et pondération a posteriori
• 4.4 - Implémentation

5 - Usage pour la classification et l’étiquetage de séquences

• 5.1 - Usage pour la classification de séquences
  Figure 14 - Architecture pour la classification de séquences
• 5.2 - Critères d’apprentissage discriminants
• 5.3 - Usage pour l’étiquetage/segmentation de séquences
  Figure 15 - Architecture pour la segmentation de séquences Figure 16 - Exemple d’étiquetage d’une séquence
• 5.4 - Apprentissage de modèles d’unités élémentaires pour la segmentation
  Figure 17 - Exemple de construction d’un modèle global à partir de modèles d’unités élémentaires
• 5.5 - Modèles de Markov cachés et traitement du langage
  Figure 18 - Arbre lexical pour un décodage guidé par un dictionnaire

6 - Conclusions