Machine learning using support vector machines : Application to human brain decoding and weld flaws classificati on

Abstract

L’apprentissage machine est actuellement une technologie puissante qui peut être appliquée à plusieurs problèmes. Dans ce travail, nous nous sommes surtout intéressés à la classification supervisée. Un des plus puissants classificateurs est la machine à vecteur de support (SVM) réalisant une excellente performance de généralisation. L’objectif principal de cette thèse est d’appliquer l’apprentissage machine en utilisant SVM dans deux problèmes: (1) le décodage de l’activité cérébrale en utilisant l’imagerie par résonance magnétique fonctionnelle (IRMf) pour des applications en neurosciences; (2) La classification des défauts de soudure dans les images à rayons X pour des applications en contrôle non-destructif (CND). Notre apport dans la première application a été une implémentation logicielle d’un ensemble de méthodes nécessaires pour réaliser l’analyse multivariée (MVPA) des données IRMf. Dans la deuxième application, nous avons proposé un AIS (Automatic Inspection System) pour la détection des défauts de soudures. Le système augmente sa qualité de généralisation même dans un environnement de données non balancées en utilisant une technique de sélection des paramètres qui combine SVM avec l’élimination récursive des paramètres (CV-SVM-RFE).