Bibliothèque de L'IMIST/CNRST

Sous format papier

Ce sujet de thèse présente certains aspects du Principe de Maximum d’Entropie (MEP) en tant que principe de modélisation statistique. On traite dans ce travail la détermination des paramètres s’articulant autour de l’utilisation du MEP d’un point de vue théorique qui est ensuite appliqué à un problème de classification d’images. Il ne s’agit pas dans cette approche de la modélisation de choisir directement la structure statistique que l’on pense la mieux correspondre au phénomène aléatoire étudié, mais l’information que l’on possède sur celui-ci est traduite au niveau de la loi des variables qui le représentent. Nous avons illustré l’utilisation du MEP par une application de classification d’images pour rechercher un modèle paramétré sur la base d’une loi probabiliste. Le travail développé dans cette thèse s’inscrit dans le cadre des techniques de classification non supervisée, qui s’apparente à la recherche des groupes homogènes. Nous parlons de classification non supervisée, ou regroupement, lorsqu’on ne dispose d’aucune information a priori sur les variables à traiter. Ensuite, nous proposons, à travers ce principe, une méthode permettant de mesurer la relevance des attributs dans un problème de classification.