Teaching, tutorials, and selected talks

 

RECENT INVITED TALKS

TALKS WITH VIDEOS

SELECTED TALKS BY THEME

COURSES AT THE MASTER LEVEL

Master M2RI, Université de Rennes I, Module ARD (Acquisition et Représentation de Données), Partie “Traitements et Transformations” (R. Gribonval)

  • Cours 1, Introduction, Convolution et Filtrage, Déconvolution, Transformée de Fourier 1D,
  • Cours 2, Conversion analogique <-> numérique; Algorithme de Convolution Rapide et FFT
  • Cours 3, Transformée de Fourier à Court Terme, principe d’incertitude de Heisenberg, rôle de la fenêtre d’analyse, application au débruitage
  • Cours 4, Transformée de Fourier 2D, Représentations pyramidales, Transformées en ondelettes 1D et 2D, Applications en débruitage et Inpainting; Principe des décomposition parcimonieuses et dictionnaires redondants, Algorithmes de poursuite, Application aux décompositions multicouches, à l’inpainting, à l’échantillonnage compressé.

Master SISEA, Université de Rennes I, Module Représentations Parcimonieuses

  • Cours 1, Notion de parcimonie pour la compression,  de problème inverse, connections.
  • Cours 2, Algorithmes gloutons pour l’approximation parcimonieuse
  • Cours 3, Optimisation convexe pour l’approximation parcimonieuse (principes)
  • Cours 4, Optimisation convexe pour l’approximation parcimonieuse (algorithmes)
  • Cours 5, Caractère bien posé (rang de Kruskal, spark).
  • Cours 6, Garanties de succès (cohérence, RIP)

 

ENSAI, Rennes, Cours OPFR

  • “Problèmes Inverses et Parcimonie”, ENSAI, Rennes, France, Février-Mars 2011

Cours “Parcimonie en Traitement du Signal et des Images” – 5GM – INSA

INSA Rennes, 5ème année Génie Mathématiques, cours “Parcimonie en traitement du signal et de des images” Description Le module a pour objectif de donner une vue d’ensemble des concepts fondamentaux et des outils exploitant les représentations parcimonieuses en traitement du signal et de l’image. En s’appuyant sur une vision « géométrique » de la notion de modèle parcimonieux, et …

View page »

Cours HDL (High Dimensional Statistical Learning) – M2 SIF

High Dimensional Statistical Learning (HDL) Description This module provides a detailed overview of the mathematical foundations of modern statistical learning by describing the theoretical basis and the conceptual tools needed to analyze and justify the algorithms.  The emphasis is on problems involving high volumes of high dimensional datasets, and on dimension reduction techniques allowing to …

View page »

Journées Scientifiques Inria – Intervention sur la Recherche Reproductible

Les transparents (en français) sont ici

View page »

MLSP14 Tutorial on Dictionary Learning and Applications

The slides are here

View page »