Conclusions
Modèles de Markov cachés pour l’étiquetage de séquences

INTRODUCTION

1 - CONTEXTE, APPLICATIONS ET MODÉLISATION

• 1.1 - Illustration d’une application des 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
• 2.2 - Illustration
• 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
• 3.2 - Calcul de la vraisemblance d’une séquence observée
• 3.3 - Inférence du chemin optimal pour une séquence observée
• 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
• 4.2 - Initialisation
• 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
• 5.2 - Critères d’apprentissage discriminants
• 5.3 - Usage pour l’étiquetage/segmentation de séquences
• 5.4 - Apprentissage de modèles d’unités élémentaires pour la segmentation
• 5.5 - Modèles de Markov cachés et traitement du langage

6 - CONCLUSIONS