Download or read book APPRENTISSAGE ET GENERALISATION PAR DES RESEAUX DE NEURONES written by Juan-Manuel Torres Moreno and published by . This book was released on 1997 with total page 147 pages. Available in PDF, EPUB and Kindle. Book excerpt: LA CLASSIFICATION EST L'ATTRIBUTION D'UNE CLASSE SPECIFIQUE A UN OBJET DONNE. CETTE ATTRIBUTION A BESOIN D'UN CERTAIN DEGRE D'ABSTRACTION POUR POUVOIR EXTRAIRE DES GENERALITES A PARTIR DES EXEMPLES DONT ON DISPOSE. POUR UNE MACHINE, LA CLASSIFICATION DE VISAGES, DE DONNEES MEDICALES, DE FORMES, SONT TOUTES DES TACHES ASSEZ DIFFICILES. PAR EXEMPLE, DANS LE CAS DE LA RECONNAISSANCE DE CARACTERES MANUSCRITS, IL EST DIFFICILE D'ENONCER UNE DESCRIPTION GENERALE QUI TIENNE COMPTE DE TOUTES LES VARIATIONS PARTICULIERES DE CHAQUE CARACTERE. UNE AUTRE APPROCHE QUI PEUT ETRE UTILISEE POUR CETTE TACHE EST CELLE DE L'APPRENTISSAGE. AINSI, LE CRITERE POUR DECIDER SI UNE IMAGE CORRESPOND OU NON A UNE LETTRE SINGLE HIGH-REVERSED-9 QUOTATION MARKARIGHT SINGLE QUOTATION MARK CONSISTE A COMPARER SI CETTE IMAGE EST (SUFFISAMMENT SIMILAIRE) A DES SINGLE HIGH-REVERSED-9 QUOTATION MARKARIGHT SINGLE QUOTATION MARK VUS AUPARAVANT. DE CE POINT DE VUE, ON NE CALCULE PAS LA CLASSIFICATION DE CARACTERES : ELLE DOIT ETRE APPRISE A PARTIR D'EXEMPLES. LE BUT DE CETTE THESE EST DE PRESENTER DE NOUVELLES HEURISTIQUES POUR GENERER, D'UNE MANIERE CONSTRUCTIVE, DES RESEAUX DE NEURONES POUR LA CLASSIFICATION. ELLES PERMETTENT DE GENERER DES RESEAUX A UNE SEULE COUCHE CACHEE COMPLETEMENT CONNECTEE AUX UNITES D'ENTREE, ET UN NEURONE DE SORTIE CONNECTE AUX UNITES CACHEES. LES NEURONES CACHES ET DE SORTIE SONT DES UNITES BINAIRES, POUVANT FAIRE SOIT DES SEPARATIONS LINEAIRES, SOIT DES SEPARATIONS SPHERIQUES. CES HEURISTIQUES SONT COUPLEES AVEC DES ALGORITHMES D'APPRENTISSAGE POUR LA PERCEPTRON, MINIMERROR-L POUR LES SEPARATIONS LINEAIRES ET MINIMERROR-S POUR LES SEPARATIONS SPHERIQUES. TROIS NOUVEAUX ALGORITHMES CONSTRUCTIFS, QUI DIFFERENT SUIVANT LE TYPE DE NEURONES CACHES ET AUSSI SUIVANT LA DEFINITION DES CIBLES QUE CEUX-CI DOIVENT APPRENDRE ON ETE DEVELOPPES. PENDANT LE PROCESSUS D'APPRENTISSAGE, DES NEURONES CACHES ENTRAINES POUR APPRENDRE CES CIBLES VONT DIMINUER LE NOMBRE D'ERREURS DE CLASSIFICATION DU NEURONE DE SORTIE. LES RESEAUX AINSI BATIS ONT GENERALEMENT MOINS DE PARAMETRES (POIDS) ET GENERALISENT MIEUX QUE LES RESEAUX ENTRAINES AVEC D'AUTRES ALGORITHMES.

Download or read book Apprentissage et g n ralisation par des r seaux de neurones written by Juan-Manuel Torres-Moreno and published by . This book was released on 2009 with total page 0 pages. Available in PDF, EPUB and Kindle. Book excerpt: La classification est l'attribution d'une classe spécifique à un objet donné. Cette attribution a besoin d'un certain degré d'abstraction pour pouvoir extraire des généralités à partir des exemples dont on dispose. Pour une machine, la classification de visages, de données médicales, de formes, sont toutes des tâches assez difficiles. Par exemple, dans le cas de la reconnaissance de caractères manuscrits, il est difficile d'énoncer une description générale qui tienne compte de toutes les variations particulières de chaque caractère. Une autre approche qui peut être utilisée pour cette tâche est celle de l'apprentissage. Ainsi, le critère pour décider si une image correspond ou non à une lettre 'A' consiste à comparer si cette image est (suffisamment similaire} à des 'a' vus auparavant. De ce point de vue, on ne calcule pas la classification de caractères : elle doit être apprise à partir d'exemples. Ces dernières années, de nouvelles techniques neuronales d'apprentissage ont été développées. Cet apprentissage avec des réseaux de neurones se fait actuellement en suivant deux approches : certains algorithmes comme la Rétropropagation du Gradient ont besoin d'introduire a priori le nombre et la connectivité des unités cachées et déterminer les poids des connexions par minimisation d'un coût. Le réseau ainsi obtenu est éventuellement élagué. Avec une approche constructive on apprend en même temps le nombre d'unités et les poids, dans le cadre d'une architecture fixée, commençant généralement avec une seule unité. Le but de cette thèse est de présenter de nouvelles heuristiques pour générer, d'une manière constructive, des réseaux de neurones pour la classification. Elles permettent de générer des réseaux à une seule couche cachée complètement connectée aux unités d'entrée, et un neurone de sortie connecté aux unités cachées. Les neurones cachés et de sortie sont des unités binaires, pouvant faire soit des séparations linéaires, soit des séparations sphériques. Ces heuristiques sont couplées avec des algorithmes d'apprentissage pour le perceptron, Minimerror-L pour les séparations linéaires et Minimerror-S pour les séparations sphériques. Trois nouveaux algorithmes constructifs, qui différent suivant le type de neurones cachés et aussi suivant la définition des cibles que ceux-ci doivent apprendre on été développés. Pendant le processus d'apprentissage, des neurones cachés entraînés pour apprendre ces cibles vont diminuer le nombre d'erreurs de classification du neurone de sortie. Les réseaux ainsi bâtis ont généralement moins de paramètres (poids) et généralisent mieux que les réseaux entraînés avec d'autres algorithmes.

Download or read book Les r seaux de neurones written by Pierre Borne and published by Editions OPHRYS. This book was released on 2007 with total page 166 pages. Available in PDF, EPUB and Kindle. Book excerpt:

Download or read book Neural Networks written by Gérard Dreyfus and published by Springer Science & Business Media. This book was released on 2005-11-25 with total page 509 pages. Available in PDF, EPUB and Kindle. Book excerpt: Neural networks represent a powerful data processing technique that has reached maturity and broad application. When clearly understood and appropriately used, they are a mandatory component in the toolbox of any engineer who wants make the best use of the available data, in order to build models, make predictions, mine data, recognize shapes or signals, etc. Ranging from theoretical foundations to real-life applications, this book is intended to provide engineers and researchers with clear methodologies for taking advantage of neural networks in industrial, financial or banking applications, many instances of which are presented in the book. For the benefit of readers wishing to gain deeper knowledge of the topics, the book features appendices that provide theoretical details for greater insight, and algorithmic details for efficient programming and implementation. The chapters have been written by experts and edited to present a coherent and comprehensive, yet not redundant, practically oriented introduction.

Download or read book tude de L apprentissage Et de la G n ralisation Des R seaux Profonds en Classification D images written by Michaël Blot and published by . This book was released on 2018 with total page 0 pages. Available in PDF, EPUB and Kindle. Book excerpt: Artificial intelligence is experiencing a resurgence in recent years. This is due to the growing ability to collect and store a considerable amount of digitized data. These huge databases allow machine learning algorithms to respond to certain tasks through supervised learning. Among the digitized data, images remain predominant in the modern environment. Huge datasets have been created. moreover, the image classification has allowed the development of previously neglected models, deep neural networks or deep learning. This family of algorithms demonstrates a great facility to learn perfectly datasets, even very large. Their ability to generalize remains largely misunderstood, but the networks of convolutions are today the undisputed state of the art. From a research and application point of view of deep learning, the demands will be more and more demanding, requiring to make an effort to bring the performances of the neuron networks to the maximum of their capacities. This is the purpose of our research, whose contributions are presented in this thesis. We first looked at the issue of training and considered accelerating it through distributed methods. We then studied the architectures in order to improve them without increasing their complexity. Finally, we particularly study the regularization of network training. We studied a regularization criterion based on information theory that we deployed in two different ways.

Download or read book Apprentissage artificiel 4e dition written by Vincent Barra and published by Editions Eyrolles. This book was released on 2021-04-01 with total page 1004 pages. Available in PDF, EPUB and Kindle. Book excerpt: Les programmes d'intelligence artificielle sont aujourd'hui capables de reconnaître des commandes vocales, d'analyser automatiquement des photos satellites, d'assister des experts pour prendre des décisions dans des environnements complexes et évolut

Download or read book THE RECURSIVE DETERMINISTIC PERCEPTRON AND TOPOLOGY REDUCTION STRATEGIES FOR NEURAL NETWORKS written by David A. Elizondo Acuna and published by . This book was released on 1997 with total page 148 pages. Available in PDF, EPUB and Kindle. Book excerpt: LES STRATEGIES DE REDUCTION DE LA TOPOLOGIE DES RESEAUX DE NEURONES PEUVENT POTENTIELLEMENT OFFRIR DES AVANTAGES EN TERMES DE TEMPS D'APPRENTISSAGE, D'UTILISATION, DE CAPACITE DE GENERALISATION, DE REDUCTION DES BESOINS MATERIELS, OU COMME ETANT PLUS PROCHES DU MODELE BIOLOGIQUE. APRES AVOIR PRESENTE UN ETAT DE L'ART DES DIFFERENTES METHODES EXISTANTES POUR DEVELOPPER DES RESEAUX DES NEURONES PARTIELLEMENT CONNECTES, NOUS PROPOSONS QUELQUES NOUVELLES METHODES POUR REDUIR LE NOMBRE DE NEURONES INTERMEDIAIRES DANS UNE TOPOLOGIE DE RESEAUX NEURONAL. CES METHODES SONT BASEES SUR LA NOTION DE CONNEXIONS D'ORDRE SUPERIEUR. UN NOUVEL ALGORITHME POUR TESTER LA SEPARABILITE LINEAIRE ET, D'AUTRE PART, UNE BORNE SUPERIEURE DE CONVERGENCE POUR L'ALGORITHME D'APPRENTISSAGE DU PERCEPTRON SONT DONNES. NOUS PRESENTONS UNE GENERALISATION DU RESEAU NEURONAL DU PERCEPTRON, QUE NOUS NOMMONS PERCEPTRON DETERMINISTE RECURSIF (RDP) QUI PERMET DANS TOUS LES CAS DE SEPARER DEUX CLASSES, DE FACON DETERMINISTE (MEME SI LES DEUX CLASSES NE SONT PAS DIRECTEMENT LINEAIREMENT SEPARABLES). CETTE GENERALISATION EST BASEE SUR L'AUGMENTATION DE LA DIMENSION DU VECTEUR D'ENTREE, LAQUELLE PRODUIT PLUS DE DEGRES DE LIBERTE. NOUS PROPOSONS UNE NOUVELLE NOTION DE SEPARABILITE LINEAIRE POUR M CLASSES ET MONTRONS COMMENT GENERALISER LE RDP A M CLASSES EN UTILISANT CETTE NOUVELLE NOTION.

Download or read book RELATIONS ENTRE L ARCHITECTURE DES RESEAUX DE NEURONES NATURELS LE CODAGE EN POPULATION ET L APPRENTISSAGE written by Pierre Germain and published by . This book was released on 1997 with total page 250 pages. Available in PDF, EPUB and Kindle. Book excerpt: CETTE THESE EST DECOMPOSEE EN DEUX PARTIES. DANS LA PREMIERE PARTIE, NOUS ETUDIONS LA RELATION ENTRE L'ARCHITECTURE DU CORTEX ET SES CAPACITES D'APPRENTISSAGE ET DE GENERALISATION. NOUS MONTRONS QUE DEUX CARACTERISTIQUES CLES SONT A LA BASE DES MECANISMES DE GENERALISATION DANS LE CORTEX : (1) UNE TOPOLOGIE GLOBALE MULTIRESOLUTION COUPLEE A UNE TOPOLOGIE LOCALE A DEUX DIMENSIONS DU GRAPHE DE CONNEXIONS ; (2), L'EXISTENCE DE MECANISME DE FUSION-DIFFERENCIATION A TOUS LES NIVEAUX DE FONCTIONNEMENT (DEVELOPPEMENT, APPRENTISSAGE, ACTIVATION). LE CARACTERE GENERAL DE CE DERNIER MECANISME NOUS CONDUIT, PAR ANALOGIE AVEC LA MECANIQUE QUANTIQUE, A FAIRE L'HYPOTHESE QUE LE DEVELOPPEMENT ET LE FONCTIONNEMENT DU CERVEAU SERAIT MODELE PAR UN CHAMP INFORMATIF QUI SERAIT L'ANALOGUE D'UNE FONCTION D'ONDE DE LA MECANIQUE QUANTIQUE. NOUS PRESENTONS UN NOUVEL OUTIL, LES CHRYZODES, QUI PERMET, PAR UNE REPRESENTATION GRAPHIQUE DES SUITES ARITHMETIQUES DANS UN CERCLE, D'ANALYSER LES INTERACTIONS DE RESEAUX ONDULATOIRES DE FREQUENCES DIFFERENTES ET FOURNIT UNE PISTE POUR L'ANALYSE DES INTERACTIONS NEURONALES. DANS LA DEUXIEME PARTIE, NOUS ETUDIONS L'APPRENTISSAGE D'UNE TRANSFORMATION SENSORI-MOTRICE A PARTIR DE SIGNAUX CODES EN POPULATION ET DE REGLES D'APPRENTISSAGE PAR CORRELATION DU TYPE REGLE DE HEBB. DANS LE CODAGE EN POPULATION, L'INFORMATION EST CODEE DE FACON REDONDANTE PAR L'ENSEMBLE D'UNE POPULATION. NOUS MONTRONS COMMENT UNE CONDITION DE REGULARITE DE LA DISTRIBUTION DES ACTIVITES DES UNITES DE LA POPULATION PERMET DE COMPENSER LES BIAIS INHERENTS AU CARACTERE LOCAL DE L'APPRENTISSAGE HEBBIEN. NOUS APPLIQUONS ENSUITE CES MECANISMES A L'APPRENTISSAGE DE LA COMMANDE DU BRAS CHEZ LE SINGE. NOUS PROPOSONS ENSUITE UN MECANISME ASSEZ GENERAL PERMETTANT DE RENDRE UNE POPULATION REGULIERE PAR AUTO-ORGANISATION PAR RENFORCEMENT DE LA COHERENCE ENTRE LES SIGNAUX INTRA ET INTER-POPULATION.

Download or read book R seaux de neurones convolutifs pour la segmentation s mantique et l apprentissage d invariants de couleur written by Damien Fourure and published by . This book was released on 2017 with total page 0 pages. Available in PDF, EPUB and Kindle. Book excerpt: La vision par ordinateur est un domaine interdisciplinaire étudiant la manière dont les ordinateurs peuvent acquérir une compréhension de haut niveau à partir d'images ou de vidéos numériques. En intelligence artificielle, et plus précisément en apprentissage automatique, domaine dans lequel se positionne cette thèse, la vision par ordinateur passe par l'extraction de caractéristiques présentes dans les images puis par la généralisation de concepts liés à ces caractéristiques. Ce domaine de recherche est devenu très populaire ces dernières années, notamment grâce aux résultats des réseaux de neurones convolutifs à la base des méthodes dites d'apprentissage profond. Aujourd'hui les réseaux de neurones permettent, entre autres, de reconnaître les différents objets présents dans une image, de générer des images très réalistes ou même de battre les champions au jeu de Go. Leurs performances ne s'arrêtent d'ailleurs pas au domaine de l'image puisqu'ils sont aussi utilisés dans d'autres domaines tels que le traitement du langage naturel (par exemple en traduction automatique) ou la reconnaissance de son. Dans cette thèse, nous étudions les réseaux de neurones convolutifs afin de développer des architectures et des fonctions de coûts spécialisées à des tâches aussi bien de bas niveau (la constance chromatique) que de haut niveau (la segmentation sémantique d'image). Une première contribution s'intéresse à la tâche de constance chromatique. En vision par ordinateur, l'approche principale consiste à estimer la couleur de l'illuminant puis à supprimer son impact sur la couleur perçue des objets. Les expériences que nous avons menées montrent que notre méthode permet d'obtenir des performances compétitives avec l'état de l'art. Néanmoins, notre architecture requiert une grande quantité de données d'entraînement. Afin de corriger en parti ce problème et d'améliorer l'entraînement des réseaux de neurones, nous présentons plusieurs techniques d'augmentation artificielle de données. Nous apportons également deux contributions sur une problématique de haut niveau : la segmentation sémantique d'image. Cette tâche, qui consiste à attribuer une classe sémantique à chacun des pixels d'une image, constitue un défi en vision par ordinateur de par sa complexité. D'une part, elle requiert de nombreux exemples d'entraînement dont les vérités terrains sont coûteuses à obtenir. D'autre part, elle nécessite l'adaptation des réseaux de neurones convolutifs traditionnels afin d'obtenir une prédiction dite dense, c'est-à-dire, une prédiction pour chacun pixel présent dans l'image d'entrée. Pour résoudre la difficulté liée à l'acquisition de données d'entrainements, nous proposons une approche qui exploite simultanément plusieurs bases de données annotées avec différentes étiquettes. Pour cela, nous définissons une fonction de coût sélective. Nous développons aussi une approche dites d'auto-contexte capturant d'avantage les corrélations existantes entre les étiquettes des différentes bases de données. Finalement, nous présentons notre troisième contribution : une nouvelle architecture de réseau de neurones convolutifs appelée GridNet spécialisée pour la segmentation sémantique d'image. Contrairement aux réseaux traditionnels, notre architecture est implémentée sous forme de grille 2D permettant à plusieurs flux interconnectés de fonctionner à différentes résolutions. Afin d'exploiter la totalité des chemins de la grille, nous proposons une technique d'entraînement inspirée du dropout. En outre, nous montrons empiriquement que notre architecture généralise de nombreux réseaux bien connus de l'état de l'art. Nous terminons par une analyse des résultats empiriques obtenus avec notre architecture qui, bien qu'entraînée avec une initialisation aléatoire des poids, révèle de très bonnes performances, dépassant les approches populaires souvent pré-entraînés.

Download or read book Etude de l apprentissage et des structures des r seaux de neurones multicouches pour l analyse de donn es written by Régis Quélavoine and published by . This book was released on 1997 with total page 116 pages. Available in PDF, EPUB and Kindle. Book excerpt: Le probleme de la reconnaissance automatique des signaux transitoires en acoustique sous-marine est tres delicat : on ne connait pas les parametres pertinents, encore moins les regles de decision des experts humains qui ne sont pas infaillibles ! Les reseaux neuromimetiques sont capables de realiser en partie cette tache complexe, mais ils souffrent d'une image de boite noire qui rend l'utilisateur mefiant : quelles sont les regles de decision simulees ? Correspondent-elles a ce que nous attendons ? Pour repondre a ces questions, nous nous sommes interesses a l'etude de l'apprentissage et des structures des reseaux de neurones multicouches afin d'en extraire cette information manquante. Dans ce but, il nous a fallu aborder cinq etapes chronologiques dans l'apprentissage. Nous utilisons un pretraitement des donnees adapte aux reseaux de neurones, attenuant la saturation des noeuds, et augmentant le potentiel discriminant des parametres. En outre, une fois les entrees ramenees a la meme amplitude de variation, seuls les poids vont traduire l'importance des parametres. Nous reglons ensuite le probleme de la pollution des corpus par les erreurs d'etiquetage en pratiquant un apprentissage selectif, adaptation de la retropropagation du gradient. Cette technique isole automatiquement les exemples incoherents et evite de surcroit le sur-apprentissage. L'etape suivante est la selection des parametres pertinents pour une classification. Nous proposons un critere hierarchique issu de l'analyse des poids des reseaux, qui se montre plus precis que ceux proposes auparavant. Il mesure les capacites activatrice et inhibitrice de chaque entree. La hierarchie obtenue nous permet de detecter les biais reduisant la robustesse du systeme, et de les corriger en generant automatiquement des exemples types qui viendront completer le corpus. Cette phase est primordiale pour l'interpretation ulterieure des regles de decision apprises. La methode nous donne aussi un moyen de fabriquer artificiellement des corpus d'apprentissage performants et de taille reduite. Enfin, apres avoir construit un echantillon optimal d'apprentissage, nous pouvons determiner a partir d'un reseau les hyperplans correspondant aux regles de decision simulees. Nous obtenons alors un systeme equivalent d'inequations avec des performances comparables en reconnaissance. Ces techniques, appliquees a differents cas d'ecole ou au difficile probleme des signaux transitoires, conduisent a des gains significatifs en vitesse d'apprentissage et en qualite de la generalisation. Outre une meilleure maitrise des reseaux de neurones, elles ouvrent des perspectives interessantes d'application dans de nombreux domaines ou notre connaissance reste insuffisante

Download or read book Contributions l embarquabilit et la robustesse des r seaux de neurones en environnement radiatif written by Christelle Godin and published by . This book was released on 2000 with total page 146 pages. Available in PDF, EPUB and Kindle. Book excerpt: Les réseaux de neurones et plus particulièrement les perceptrons multi-couches sont aujourd'hui largement utilisés pour des tâches de classification. L'environnement radiatif, hostile pour les équipements électroniques, provoque des modifications de leur fonctionnement. Cette thèse explore deux voies dans le but d'obtenir des réseaux de neurones robustes destinés à être embarqués dans des systèmes fonctionnant en environnement radiatif. La première approche est basée sur un nouvel algorithme d'apprentissage constructif, appelé NetLS, qui est une généralisation des algorithmes NetLines et Net Spheres. Nous montrons sur des problèmes étalons qu'il permet d'aboutir à des réseaux de neurones binaires de très petite taille alors que d'autres algorithmes conduisent à des classifieurs bien plus complexes pour des performances équivalentes. La seconde approche consiste à utiliser un nouveau modèle de neurone à impulsions pour l'implantation de neurones à fonction de réponse continue. Ainsi, n'importe quel algorithme d'apprentissage classique (rétropropagation et ses variantes) peut être utilisé et le réseau de neurones obtenu peut fonctionner avec ces neurones à impulsions. Dans ces conditions, nous montrons que lors de la relaxation du réseau les performances augmentent au cours du temps jusqu'à atteindre celles du réseau de neurones continus. Ainsi, si une erreur se produit au cours du calcul, l'information disponible peut représenter une partie du résultat. Une architecture numérique pour ce neurone est proposée et évaluée. La surface occupée sur le silicium est 10 fois inférieure à celle nécessaire pour implanter une neurone continu. Ces deux approches conduisent à des réseaux de neurones de faible surface : la probabilité d'une erreur due aux radiations est minimisée. Ils ont été confrontés à des problèmes de détection de signaux radar de deux types, les premiers étant générés par un modèle, et les seconds des échos ionosphériques mesurés par le radar du projet EISCAT (European Incoherent SCATter).

Download or read book R seaux de neurones et auto r f rence written by Thomas Voegtlin and published by . This book was released on 2002 with total page pages. Available in PDF, EPUB and Kindle. Book excerpt: The purpose of this thesis is to present a class of unsupervised learning algorithms for recurrent networks. In the first part (chapters 1 to 4), I propose a new approach to this question, based on a simple principle: self-reference. A self-referent algorithm is not based on the minimization of an objective criterion, such as an error function, but on a subjective function, that depends on what the network has previously learned. An example of a supervised recurrent network where learning is self-referent is the Simple Recurrent Network (SRN) by Elman (1990). In the SRN, self-reference is applied to the supervised error back-propagation algorithm. In this aspect, the SRN differs from other generalizations of back-propagation to recurrent networks, that use an objective criterion, such as Back-Propagation Through Time, or Real-Time Recurrent Learning. In this thesis, I show that self-reference can be combined with several well-known unsupervised learning methods: the Self-Organizing Map (SOM), Principal Components Analysis (PCA), and Independent Components Analysis (ICA). These techniques are classically used to represent static data. Self-reference allows one to generalize these techniques to time series, and to define unsupervised learning algorithms for recurrent networks.

Download or read book R seaux de neurones artificiels written by Wulfram Gerstner (Physicien, Allemagne, Etats-Unis, Suisse) and published by . This book was released on 2006 with total page 165 pages. Available in PDF, EPUB and Kindle. Book excerpt:

Download or read book IoT Enabled Energy Efficiency Assessment of Renewable Energy Systems and Micro grids in Smart Cities written by Mustapha Hatti and published by Springer Nature. This book was released on with total page 517 pages. Available in PDF, EPUB and Kindle. Book excerpt:

Download or read book ETUDE DE LA GENERALISATION DANS LES PERCEPTRONS MULTI COUCHE written by EDUARDO.. SEPULVEDA and published by . This book was released on 1994 with total page 143 pages. Available in PDF, EPUB and Kindle. Book excerpt: CETTE THESE TRAITE DES RESEAUX DE NEURONES ET LEUR APPLICATION AUX PROBLEMES DE RECONNAISSANCE DES FORMES. L'INEXISTENCE DE SOLUTION MATHEMATIQUE A CES PROBLEMES FONT DE L'OUTIL RESEAU DE NEURONES UNE ALTERNATIVE AUX SOLUTIONS CLASSIQUES OU LES PRINCIPAUX INCONVENIENTS SONT L'ABSENCE DE CONNAISSANCE DES DISTRIBUTIONS STATISTIQUES DES FORMES ET LA GRANDE DIMENSIONALITE DES DONNEES. LES METHODES CONNEXIONNISTES PERMETTENT D'ABORDER CES PROBLEMES SANS AVOIR A PRIORI BESOIN DE CONNAITRE LA STATISTIQUE DU PROBLEME CONCERNE. DANS UN PREMIER TEMPS NOUS AVONS UTILISE LES RESEAUX DE NEURONES POUR ESSAYER DE RESOUDRE DEUX PROBLEMES SPECIFIQUES: LA DETECTION D'UNE BALISE PLACEE DANS L'ENVIRONNEMENT D'UN ROBOT MOBILE AFIN D'AIDER A LOCALISER CE DERNIER ET LA RECONNAISSANCE DE CARACTERES MANUSCRITS OMNI-SCRIPTEURS. DANS LES DEUX CAS, LA QUANTITE INSUFFISANTE D'EXEMPLES NOUS ONT CONDUIT A REDUIRE LA DIMENSION DES DONNEES A L'AIDE DE CODAGES SPECIFIQUES. LES RESULTATS INSUFFISANTS OBTENUS NOUS ONT FAIT CONCLURE QUE L'UTILISATION DE CES CODAGES N'EST PAS ADAPTEE AU PROBLEME. ENSUITE NOUS PROPOSONS UNE APPROCHE HYBRIDE OU NOUS UTILISONS LES RESEAUX NEURONAUX POUR REDUIRE LA DIMENSION DES DONNEES. LA CLASSIFICATION EST ASSUREE PAR UN CLASSIFIEUR DES PLUS-PROCHES-VOISINS LEQUEL, A L'AIDE D'UNE FONCTION DE COUT SPECIFIQUE QUI EST MINIMISEE PAR UNE EXTENSION DE LA RETROPROPAGATION CLASSIQUE, GUIDE LA REDUCTION DE LA DIMENSION EFFECTUEE PAR LE RESEAU. NOUS AVONS APPLIQUE CETTE METHODE AU PROBLEME DE LA RECONNAISSANCE DE CARACTERES MANUSCRITS, OBTENANT UNE AMELIORATION A LA FOIS DE LA VITESSE MOYENNE DE RECONNAISSANCE ET DU TAUX D'ERREUR COMMISE PAR LE CLASSIFIEUR DES PLUS-PROCHES-VOISINS. L'INCONVENIENT DE CETTE METHODE ETANT LE TEMPS DE CALCUL NECESSAIRE POUR REALISER L'APPRENTISSAGE, NOUS PROPOSONS DES AMELIORATIONS POUR LE REDUIRE

Download or read book Bio Mimetic Approaches in Management Science written by Jacques-Marie Aurifeille and published by Springer Science & Business Media. This book was released on 2013-03-09 with total page 212 pages. Available in PDF, EPUB and Kindle. Book excerpt: Management Science is often confronted with optimization problems characterised by weak underlying theoretical models and complex constraints. Among them, one finds data analysis, pattern recognition (classification, multidimensional analysis, discriminant analysis) as well as modelling (forecasting, confirmatory analysis, expert system design). In recent years, biomimetic approaches have received growing attention from Marketing, Finance and Human Resource researchers and executives as effective tools for practically handling such problems. Biomimetic approaches include a variety of heuristic methods - such as neural networks, genetic algorithms, immunitary nets, cellular automata - that simulate nature's way of solving complex problems and, thus, can be considered as numerical transpositions of true life problem solving. Bio-Mimetic Approaches in Management Science presents a selection of recent papers on biomimetic approaches and their application to Management Science. Most of these papers were presented at the last ACSEG/CAEMS International Congresses (Approches Connexionnistes en Sciences Economiques et de Gestion/Connectionnist Approaches in Economics and Management Science). All papers combine the discussion of conceptual issues with illustrative empirical applications, and contain detailed information on the way heuristics are practically implemented. The advantages and limits of the biomimetic approaches are discussed in several of the papers, either by comparing these approaches with more classical methods (logit models, clustering), or by investigating specific issues like overfitting and robustness. Synthesizing overviews are provided, as well as new tools for coping with some of the limitations of biomimetic methods.

Download or read book Apprentissage Automatique written by Source Wikipedia and published by University-Press.org. This book was released on 2013-09 with total page 58 pages. Available in PDF, EPUB and Kindle. Book excerpt: Ce contenu est une compilation d'articles de l'encyclopedie libre Wikipedia. Pages: 57. Chapitres: Reseau de neurones artificiels, Machine a vecteurs de support, Arbre de decision, Classification naive bayesienne, Inference bayesienne, Classification sous contrainte, Theoreme de Cox-Jaynes, Algorithme esperance-maximisation, Weka, Carte auto adaptative, Espace de versions, Apprentissage par renforcement, Algorithme de fouille de flots de donnees, Modele de Markov cache, Modele de melanges gaussiens, Methode de l'entropie croisee, Retropropagation du gradient, Perceptron, Derive conceptuelle, Classifieur lineaire, Dimension VC, Reseau bayesien, Partitionnement de donnees, Recherche des plus proches voisins, Analyse semantique latente probabiliste, Kernel trick, Classification automatique, Perceptron multicouche, Algorithme ID3, Apprentissage supervise, Analyse de concepts formels, AdaBoost, Theorie de Vapnik-Chervonenkis, Boosting, Apprentissage non-supervise, Chamilo, Ray Solomonoff, Algorithme C4.5, Fleau de la dimension, Apprentissage semi-supervise, Combinaison convexe, Foret d'arbres decisionnels, Methode des k plus proches voisins, Principe d'entropie maximale, QUEST, Algorithme CART, Probit, Algorithme de Baum-Welch. Extrait: Un reseau de neurones artificiels est un modele de calcul dont la conception est tres schematiquement inspiree du fonctionnement des neurones biologiques.Les reseaux de neurones sont generalement optimises par des methodes d'apprentissage de type probabiliste, en particulier bayesiens. Ils sont places d'une part dans la famille des applications statistiques, qu'ils enrichissent avec un ensemble de paradigmes permettant de generer des classifications rapides (reseaux de Kohonen en particulier), et d'autre part dans la famille des methodes de l'intelligence artificielle auxquelles ils fournissent un mecanisme perceptif independant des idees propres de l'implementeur, et...