Détection non-douce et Compressive

Cette séance de cours couvre la déficience des modèles lisses dans lestimation du signal, lintroduction de la sparsité et de la détection compressive comme solutions. Il explore les techniques de minimisation non lisses, telles que la descente de sous-gradient, et leurs applications dans l'apprentissage statistique, comme la régression linéaire. La séance de cours se penche sur les défis de l'optimisation non lisse, en soulignant l'importance des représentations clairsemées et des signaux compressibles. Il traite de la performance pratique des estimateurs, de l'impact du bruit dans les modèles linéaires et du concept de signaux compressibles. La séance de cours présente des approches pour la récupération de signaux clairsemés, y compris le problème d'optimisation du Lasso, et la généralisation via des représentations simples utilisant des ensembles atomiques et des atomes. Divers modèles au-delà de la sparsity sont également introduits.