Descriptif

Connu dans un premier temps pour ses succès dans le domaine des télécommunications, le traitement du signal fait désormais partie de tous les domaines de traitement des données qui demande d'analyser, d'extraire et de transformer des informations numériques. Ce cours est une introduction au domaine du traitement du signal et requiert donc les connaissances de base d'analyse (transformée de Fourier), de probabilités (variables aléatoires, processus aléatoire) et d'algèbre linéaire.

Le cours commence par une présentation d'analyse de Fourier et de filtrage analogique avec des exemples explicatifs tels que la modulation et l'optique de Fourier en astronomie. Ensuite nous introduirons l'échantillonage de signaux et le filtrage du signal numérique qui est devenu le standard de fait dans les applications pratiques. Nous étudierons le très important algorithme de la transformée de Fourier rapide et discuterons des exemples de filtrage dans le traitement de l'image. Nous étudierons ensuite les aspects aléatoires/stochastiques des signaux et le filtrage linéair optimal du signal et du bruit lorsqu'ils sont modélisés comme des processus stochastiques. sera également pris comme exemple pour l'étude des modèles autorégressifs. La dernière partie du cours présentera brièvement plusieurs représentations de signaux couramment utilisés, comme la transformée en cosinus discrète (TCD) et les transformées d'ondelettes utilisées dans l'encodage de JPEG et les reconstruction d'images. La transformée de Fourier à court terme sera également présentée pour modéliser les signaux non stationnaires. Enfin, quelques approches récentes basées sur l'apprentissage machine seront présentées, comme le dictionnaire d'apprentissage et reconstruction du signal par l'apprentissage profond.

Ce cours sera complété par des travaux pratiques en Python/Numpy qui permettront aux étudiants de mettre en oeuvre les méthodes vues en cours sur des problèmes pratiques tels que la génération d'un sgnal audio et le filtrage.

Le cours sera en anglais ou en français selon le public, avec un support de cours en anglais.
Des connaissances sur Python/Numpy sont fortement recommendées pour les travaux pratiques.

**Evaluation** : Rrapports de travaux pratiques (60%) et examen final théorique + pratique sur moodle (40%)