To see the other types of publications on this topic, follow the link: Apprentissage.
Dissertations / Theses on the topic 'Apprentissage'
Create a spot-on reference in APA, MLA, Chicago, Harvard, and other styles
Consult the top 50 dissertations / theses for your research on the topic 'Apprentissage.'
Next to every source in the list of references, there is an 'Add to bibliography' button. Press on it, and we will generate automatically the bibliographic reference to the chosen work in the citation style you need: APA, MLA, Harvard, Chicago, Vancouver, etc.
You can also download the full text of the academic publication as pdf and read online its abstract whenever available in the metadata.
Browse dissertations / theses on a wide variety of disciplines and organise your bibliography correctly.
1
Roussel, Jacques. "Evaluation et apprentissage : l'evaluation en arithmetique au cycle des apprentissages." Toulouse 2, 1989. http://www.theses.fr/1989TOU20062.
Full textAbstract:
Relativite, differenciation et diversification sont les caracteristiques qui definissent le concept d'evaluation. Sa construction resulte de la decomposition du concept d'appreciation sous ses trois formes: la correction, le controle et la notation. Sa fonction est d'assurer le traitement didactique des reponses scolaires. Est didactique une evaluation qui concerne l'apprentissage d'un contenu disciplinaire specifique et qui implique une classe identifiee par le maitre et les eleves qui la composent. D'ou le sous-titre de la these. L'hypothese de l'evaluation repondante, liee a la theorie de l'enseignement repondant elaboree par l. Not, conserve le but du systeme de l'evaluation et protege son organisation contre les perturbations d'un operateur-tricheur e qui effec-. Tue la transformation immediate des reponses en resultats. Invoquant des conceptions recentes de la didactique de l'arithmetique et des dispositifs d'evaluation non didactiques, la validation de l'hypothese etablit les notions de pseudo et de meta-evaluation. Validee, l'hypothese de l'evaluation repondante explique la possibilite et les conditions d'une formation des maitres du cycle des apprentissages a la pratique de l'evaluation en arithmetique, objectif de la theseTeachers hope for a theory of evaluation that precsibes means and conditions of correct evaluation. Epistemological treatment of didactic evaluationshows that all standard conception entail the destruction of its object: relativism, differenciation and diversity are the essential properties of the treatment of pupils' answers. That view is applied to evaluation in arithmetic in the beginners'classes. The hypothesis of "answering evaluation", linked to the "answering teching", a theory developed by l. Not, explains two facts: the preservation of the propose of didactic evaluation, i. E. The appropriation of knowledge, its structure and genesis; the protection against a cheating operator that pretends to turn an answer into a result. When the conditions of answering evaluation are not observed, evaluation becomes a pseudo or a meta-evaluation. The proof is established after a critical review of recent papers about the didactics of arithmetic and an analysis of a variety of non didactic evaluation. The purpose of the thesis was to examine two possibilities : the practice of evaluation by the teacher in the class-room and the content of the training of teachers for evaluation
2
Venturini, Gilles. "Apprentissage adaptatif et apprentissage supervise par algorithme genetique." Paris 11, 1994. http://www.theses.fr/1994PA112016.
Full textAbstract:
Dans cette these, nous nous sommes interesses d'une part a un probleme de controle en robotique et en automatique caracterise par des variations imprevues dans les modeles du robot et de son environnement, et d'autre part a un probleme d'apprentissage de regles a partir d'une base d'exemples comportant de nombreuses valeurs inconnues. Pour ces deux problemes, nous avons utilise les algorithmes generiques, qui sont des procedures d'optimisation inspirees de la selection naturelle, en essayant de les rendre plus controlables de maniere a traiter des connaissances du domaine. Le premier algorithme elabore (agil) est une extension des systemes de regles genetiques qui apprend des regles de controle et adapte ces regles aux variations du systeme a controler. Il a ete teste sur des problemes simules. Le deuxieme algorithme (sia) s'inspire des principes de l'algorithme aq mais en utilisant un algorithme genetique comme mecanisme de recherche. Il traite les valeurs inconnues sans essayer de les remplacer. Il a ete teste sur plusieurs bases de donnees et a ete applique a l'analyse d'un domaine judiciaire. Ces deux algorithmes utilisent des heuristiques explicites et peuvent traiter differents types de connaissances du domaine
3
Moradi, Fard Maziar. "Apprentissage de représentations de données dans un apprentissage non-supervisé." Thesis, Université Grenoble Alpes, 2020. http://www.theses.fr/2020GRALM053.
Full textAbstract:
En raison du grand impact de l’apprentissage profond sur divers domaines de l’apprentissage automatique, leurs capacités à améliorer les approches de clustering ont récemment été étudiées. Dans un premier temps, des approches d’apprentissage profond (principalement des autoencodeurs) ont été utilisées pour réduire la dimensionnalité de l’espace d’origine et pour supprimer les éventuels bruits (également pour apprendre de nouvelles représentations de données). De telles approches de clustering qui utilisent des approches d’apprentissage en profondeur sont appelées deep clustering. Cette thèse se concentre sur le développement de modèles de deep clustering qui peuvent être utilisés pour différents types de données (par exemple, des images, du texte). Tout d’abord, nous proposons un algorithme DKM (Deep k-means) dans lequel l’apprentissage des représentations de données (via un autoencodeur profond) et des représentants de cluster (via k-means) est effectué de manière conjointe. Les résultats de notre approche DKM indiquent que ce modèle est capable de surpasser des algorithmes similaires en Deep Clustering. En effet, notre cadre proposé est capable de propager de manière lisse l’erreur de la fonction de coût à travers toutes les variables apprenables.De plus, nous proposons deux modèles nommés SD2C et PCD2C qui sont capables d’intégrer respectivement des mots d’amorçage et des contraintes par paires dans des approches de Deep Clustering de bout en bout. En utilisant de telles approches, les utilisateurs peuvent observer le reflet de leurs besoins en clustering. Enfin, les résultats obtenus à partir de ces modèles indiquent leur capacité à obtenir des résultats plus adaptésDue to the great impact of deep learning on variety fields of machine learning, recently their abilities to improve clustering approaches have been investi- gated. At first, deep learning approaches (mostly Autoencoders) have been used to reduce the dimensionality of the original space and to remove possible noises (also to learn new data representations). Such clustering approaches that utilize deep learning approaches are called Deep Clustering. This thesis focuses on developing Deep Clustering models which can be used for different types of data (e.g., images, text). First we propose a Deep k-means (DKM) algorithm where learning data representations (through a deep Autoencoder) and cluster representatives (through the k-means) are performed in a joint way. The results of our DKM approach indicate that this framework is able to outperform similar algorithms in Deep Clustering. Indeed, our proposed framework is able to truly and smoothly backpropagate the loss function error through all learnable variables.Moreover, we propose two frameworks named SD2C and PCD2C which are able to integrate respectively seed words and pairwise constraints into end-to-end Deep Clustering frameworks. In fact, by utilizing such frameworks, the users can observe the reflection of their needs in clustering. Finally, the results obtained from these frameworks indicate their ability to obtain more tailored results
4
Boucheron, Stéphane. "Apprentissage et calculs." Montpellier 2, 1988. http://www.theses.fr/1988MON20251.
Full textAbstract:
Dans une premiere partie, l'apprentissage automatique a partir d'exemples est analyse a la maniere de valiant dans le cadre de la theorie de la complexite. Des definitions de l'apprentissage a partir d'exemples positifs et de l'apprentissage a partir des donnees corrompues sont proposees et caracterisees tant du point de vue combinatoire que du point de cue algorithmique. Enfin la complexite spatiale de l'apprentissage est analysee a l'aide de concepts issus de la theorie de la complexite de communication. Dans une seconde partie, les rapports des theories formelles de l'apprentissage aux sciences cognitives sont envisages comme ceux de deux niveaux d'explication des phenomenes mentaux, compatibles entre eux, meme s'ils n'utilisent pas de la meme maniere leurs postulats de base. Dans ce contexte l'apport des theories formelles de l'apprentissage aux sciences cognitives est illustre par l'analyse de la controverse inne/acquis. Enfin des differences fondamentales entre les deux niveaux d'explication mentionnes plus haut sont soulignees au travers de l'analyse de la critique de l'usage de la notion de regle par wittgenstein et ses commentateurs
5
Boucheron, Stéphane. "Apprentissage et calculs." Grenoble 2 : ANRT, 1988. http://catalogue.bnf.fr/ark:/12148/cb376121172.
Full text
6
Salomon, Antoine. "Apprentissage stratégique statistique." Paris 13, 2010. http://www.theses.fr/2010PA132039.
Full textAbstract:
On étudie l'interaction stratégique entre des agents face à un conflit entre exploration et exploitation. En théorie des jeux, les modèles de bandit-manchot sont particulièrement adaptés à ce problème. Chaque joueur fait face à une machine à deux bras, l'un étant sûr, l'autre risqué. A chaque étape du jeu, il décide quel bras activer. S'il parie sur le bras risqué (c'est-à-dire s'il « explore »), il reçoit un paiement aléatoire qui l'informe partiellement sur la rentabilité de sa machine. S'il choisit le bras sûr (c'est-à-dire s'il « exploite »), il reçoit un paiement connu, mais potentiellement plus faible que ce que pourrait rapporter l'exploration. La rentabilité des machines dépend d'un état de la nature inconnu, mais que l'on peut apprendre en explorant. L'apprentissage de cet état est un enjeu stratégique: un joueur peut par exemple tirer avantage de l'expérimentation des autres joueurs sans prendre de risques lui-même. La question principale est l'efficacité des équilibres de Nash: est-ce qu'un agent gagne plus en situation d'interaction stratégique que lorsqu'il est seul ? Existe-t-il une forme de coopération entre les joueurs ? Les joueurs parviennent-ils à un bon apprentissage de l'état la nature ? Nous montrons que cela dépend des possibilités d'observations entre les joueurs (i. E s'ils observent les paiements des autres, ou seulement les actions de ceux-ci), ainsi que de la manière dont les types de leurs machines sont corrélés. Nous verrons également comment évoluent les équilibres lorsque le nombre de joueurs devient important, et en particulier si cette augmentation se traduit par un afflux d’information et donc de meilleurs gainsThis thesis studies strategic interaction between several agents who are facing an exploration vs. Exploitation dilemma. In game theory, this situation is well described by models of bandit games. Each player faces a two-arm bandit machine, one arm being safe, the other being risky. At each stage of the game, each player has to decide which arm he uses. If he chooses the risky arm (exploration), he gets a random payoff which gives him partial information on the rentability of his machine. If he chooses the safe arm, he gets a known payoff, but possibly less than what he could have got from exploration. The rentability of the machine depends on an unknown state of the nature, which can be learnt from exploration. Learning is a strategic issue: for instance a player could benefit from others' information without taking risks himself. We study Nash equilibria of such games. We mainly wonder if equilibria are efficient: does a player gain significanlty more from strategic interaction than he would alone? Is there some kind of cooperation that helps getting more information? Do players manage to have a good knowledge of the state of the nature? This depends on what agents are able to see from each other (actions and/or payoffs), and also on how the types of the machines are correlated. We will also study the way equilibria are evolving when the number of players get large. In particular, we wonder if this increase leads to better pieces of information, and better gains
7
Dinh, Quang-Thang. "Apprentissage statistique relationnel : apprentissage de structures de réseaux de Markov logiques." Phd thesis, Université d'Orléans, 2011. http://tel.archives-ouvertes.fr/tel-00659738.
Full textAbstract:
Un réseau logique de Markov est formé de clauses en logique du premier ordre auxquelles sont associés des poids. Cette thèse propose plusieurs méthodes pour l'apprentissage de la structure de réseaux logiques de Markov (MLN) à partir de données relationnelles. Ces méthodes sont de deux types, un premier groupe reposant sur les techniques de propositionnalisation et un second groupe reposant sur la notion de Graphe des Prédicats. L'idée sous-jacente aux méthodes à base de propositionnalisation consiste à construire un jeu de clauses candidates à partir de jeux de littéraux dépendants. Pour trouver de tels jeux, nous utilisons une méthode de propositionnalisation afin de reporter les informations relationnelles dans des tableaux booléens, qui serviront comme tables de contingence pour des test de dépendance. Nous avons proposé deux méthodes de propositionnalisation, pour lesquelles trois algorithmes ont été développés, qui couvrent les problèmes d'appprentissage génératif et discriminant. Nous avons ensuite défini le concept de Graphe des Prédicats qui synthétise les relations binaires entre les prédicats d'un domaine. Des clauses candidates peuvent être rapidement et facilement produites en suivant des chemins dans le graphe puis en les variabilisant. Nous avons développé deux algorithmes reposant sur les Graphes des Prédicats, qui couvrent les problèmes d'appprentissage génératif et discriminant.
8
Laronze, Florian. "Apprentissage à distance, apprentissage gamifié : identification des facteurs de la réussite universitaire." Electronic Thesis or Diss., Bordeaux, 2024. http://www.theses.fr/2024BORD0445.
Full textAbstract:
Récemment, le président de France Université a rappelé que « l’objectif ultime de l’université française est d’intégrer celles et ceux qui veulent y entrer et faire en sorte qu’ils y réussissent". Certainement accentué par la crise sanitaire majeure de la pandémie de Covid-19, un constat national d’une proportion importante d’étudiantes et d’étudiants en grande difficulté est dressé, avec des répercussions notables sur la santé mentale. De plus, à peine plus d’un quart des étudiants inscrits en Licence obtiennent leur diplôme à l’issue des trois années de formation. Face à ces constats, la nécessité d’une meilleure compréhension des déterminants de la réussite universitaire représente aujourd'hui un enjeu sociétal de premier plan. En lien également avec la crise sanitaire, la pratique de l’apprentissage à distance, et notamment sa modalité synchrone (ex : Zoom), a explosé à l’échelle mondiale et semble destinée à s'imposer comme un mode d’apprentissage courant. Couplées à ce développement de l’apprentissage à distance, mais également à la révolution technologique et aux réflexions pédagogiques visant à encourager l’engagement des étudiants durant les cours, ces dernières années ont également vu l'essor d’outils pédagogiques numériques et gamifiés (ex : applications mobiles de quiz, environnement de réalité virtuelle à visée éducative, etc.). Dans ce contexte général, l’objectif de ma thèse est de mieux comprendre les impacts de l’apprentissage à distance et des outils numériques gamifiés sur la réussite académique (ex : émotions ressenties, motivation, notes, etc.). En perspective, dans le cadre du projet national "Université Atypie Friendly" visant à favoriser l’inclusion universitaire de jeunes adultes avec un Trouble du Spectre de l’Autisme, ce travail visera également à identifier les outils numériques et pratiques pédagogiques étant les plus pertinents pour ce public spécifiqueRecently, the President of France Université emphasised that ‘the ultimate objective of the French university is to integrate those who want to enrol and to ensure that they succeed’. Certainly exacerbated by the major health crisis caused by the Covid-19 pandemic, a high proportion of students are experiencing serious difficulties, with significant repercussions for their mental health. In addition, just over a quarter of students enrolled on a Licence degree complete their three-year programme. Given these facts, the need for a better understanding of the factors that determine success at university is a major challenge for our society. Also associated with the health crisis, the practice of distance learning, and in particular its synchronous mode (e.g. Zoom), has boomed worldwide and seems destined to become a common mode of learning. Coupled with this development of distance learning, but also with the technological revolution and pedagogical considerations aimed at encouraging student engagement during lessons, recent years have also seen the rise of digital and gamified teaching tools (e.g. mobile quiz applications, virtual reality environments for educational purposes, etc.). In this general context, the aim of my thesis is to gain a better understanding of the impact of distance learning and gamified digital tools on academic success (e.g. emotions felt, motivation, grades, etc.). As part of the national ‘Université Atypie Friendly’ project, which aims to promote the academic inclusion of young adults with Autism Spectrum Disorder, this thesis will also seek to identify the most relevant digital tools and pedagogical practices for this specific audience
9
Solnon, Matthieu. "Apprentissage statistique multi-tâches." Phd thesis, Université Pierre et Marie Curie - Paris VI, 2013. http://tel.archives-ouvertes.fr/tel-00911498.
Full textAbstract:
Cette thèse a pour objet la construction, la calibration et l'étude d'estimateurs multi-tâches, dans un cadre fréquentiste non paramétrique et non asymptotique. Nous nous plaçons dans le cadre de la régression ridge à noyau et y étendons les méthodes existantes de régression multi-tâches. La question clef est la calibration d'un paramètre de régularisation matriciel, qui encode la similarité entre les tâches. Nous proposons une méthode de calibration de ce paramètre, fondée sur l'estimation de la matrice de covariance du bruit entre les tâches. Nous donnons ensuite pour l'estimateur obtenu des garanties d'optimalité, via une inégalité oracle, puis vérifions son comportement sur des exemples simulés. Nous obtenons par ailleurs un encadrement précis des risques des estimateurs oracles multi-tâches et mono-tâche dans certains cas. Cela nous permet de dégager plusieurs situations intéressantes, où l'oracle multi-tâches est plus efficace que l'oracle mono-tâche, ou vice versa. Cela nous permet aussi de nous assurer que l'inégalité oracle force l'estimateur multi-tâches à avoir un risque inférieur à l'estimateur mono-tâche dans les cas étudiés. Le comportement des oracles multi-tâches et mono-tâche est vérifié sur des exemples simulés.
10
Kocák, Tomáš. "Apprentissage séquentiel avec similitudes." Thesis, Lille 1, 2016. http://www.theses.fr/2016LIL10230/document.
Full textAbstract:
Dans cette thèse nous étudions différentes généralisations du problème dit « du bandit manchot ». Le problème du bandit manchot est un problème de décision séquentiel au cours duquel un agent sélectionne successivement des actions et obtient une récompense pour chacune d'elles. On fait généralement l'hypothèse que seule la récompense associée à l'action choisie est observée par l'agent, ce dernier ne reçoit aucune information sur les actions non choisies. Cette hypothèse s'avère parfois très restrictive pour certains problèmes très structurés tels que les systèmes de recommandations, la publicité en ligne, le routage de paquets, etc. Il paraît assez naturel de tenir compte de la connaissance de la structure du problème pour améliorer les performances des algorithmes d'apprentissage usuels. Dans cette thèse, nous nous focalisons sur les problèmes de bandits présentant une structure pouvant être modélisée par un graphe dont les nœuds représentent les actions. Dans un premier temps, nous étudierons le cas où les arêtes du graphe modélisent les similitudes entre actions. Dans un second temps, nous analyserons le cas où l'agent observe les récompenses de toutes les actions adjacentes à l'action choisie dans le graphe. Notre contribution principale a été d'élaborer de nouveaux algorithmes permettant de traiter efficacement les problèmes évoqués précédemment, et de démontrer théoriquement et empiriquement le bon fonctionnement de ces algorithmes. Nos travaux nous ont également amenés à introduire de nouvelles grandeurs, telles que la dimension effective et le nombre d'indépendance effectif, afin de caractériser la difficulté des différents problèmesThis thesis studies several extensions of multi-armed bandit problem, where a learner sequentially selects an action and obtain the reward of the action. Traditionally, the only information the learner acquire is about the obtained reward while information about other actions is hidden from the learner. This limited feedback can be restrictive in some applications like recommender systems, internet advertising, packet routing, etc. Usually, these problems come with structure, similarities between users or actions, additional observations, or any additional assumptions. Therefore, it is natural to incorporate these assumptions to the algorithms to improve their performance. This thesis focuses on multi-armed bandit problem with some underlying structure usually represented by a graph with actions as vertices. First, we study a problem where the graph captures similarities between actions; connected actions tend to grand similar rewards. Second, we study a problem where the learner observes rewards of all the neighbors of the selected action. We study these problems under several additional assumptions on rewards (stochastic, adversarial), side observations (adversarial, stochastic, noisy), actions (one node at the time, several nodes forming a combinatorial structure in the graph). The main contribution of this thesis is to design algorithms for previously mentioned problems together with theoretical and empirical guaranties. We also introduce several novel quantities, to capture the difficulty of some problems, like effective dimension and effective independence number
11
Guritanu, Elena. "Types d'écriture et apprentissage." Thesis, Sorbonne Paris Cité, 2016. http://www.theses.fr/2016USPCB217/document.
Full textAbstract:
Avant d'être plus spécifiquement dédiée à l'apprentissage de l'écrit, cette thèse consacre une importante partie à la genèse et à l'évolution de l'écriture. Elle sonde les divers états et formes que les systèmes d'écriture ont connus depuis les grandes civilisations qui les virent naître jusqu'à nos sociétés modernes et aborde un ensemble de problématiques qui forment ce que nous nommons ici "le champ de l'écriture : l'invention de l'écriture, ses prémices, son récit dans les mythes et légendes, les liens qu'elle entretient avec l'image et la langue, les mécanismes de son évolution, les questions de société que l'écriture pose ainsi que son traitement épistémologique et les théories linguistiques dont elle est l'objet. L'examen de ce champ offre un éclairage particulier à la deuxième partie de cette étude, agencée autour des questions de didactique de l'écrit. Reposant sur un corpus constitué de cinq systèmes graphiques : l'idéographie chinoise, l'écriture consonantique arabe et les systèmes alphabétiques russe, roumain et français, cette étude analyse et compare les méthodes d'enseignement de la lecture et de l'écriture pour chacun d'entre eux et rend compte des spécificités de l'apprentissage de l'écrit en fonction du système considéré ainsi que des tendances majeures partagées d'un système à l'autreBefore being more specifically dedicated to the learning of writing, this thesis concentrates on an important part of the genesis and evolution of writing. It analyses the diverse states and forms of writing systems known since the great civilisations that originated them to our modern societies, and exposes various problems which form what we call here "the field of writing" : the invention of writing, its beginnings, its evolution in the myths and legends, the connections between the image and the language, the mechanics of this evolution, the questions of society that the written word poses to its treatment and the epistemological linguistic theories that it relates to. The examination of this field, particularly throws light on the second part of this study articulated around questions about the technicalities of writing. Based on a corpus made of five graphic systems - Chinese idiographic, Arabic consonantal writing and the Russian , Romanian and French alphabet systems, this study analyses and compares the teaching methods of reading and writing for each of them and supports the different learnings of writing in each system but also the important convergences shared from one system to an other
12
Scornet, Erwan. "Apprentissage et forêts aléatoires." Thesis, Paris 6, 2015. http://www.theses.fr/2015PA066533/document.
Full textAbstract:
Cette thèse est consacrée aux forêts aléatoires, une méthode d'apprentissage non paramétrique introduite par Breiman en 2001. Très répandues dans le monde des applications, les forêts aléatoires possèdent de bonnes performances et permettent de traiter efficacement de grands volumes de données. Cependant, la théorie des forêts ne permet pas d'expliquer à ce jour l'ensemble des bonnes propriétés de l'algorithme. Après avoir dressé un état de l'art des résultats théoriques existants, nous nous intéressons en premier lieu au lien entre les forêts infinies (analysées en théorie) et les forêts finies (utilisées en pratique). Nous proposons en particulier une manière de choisir le nombre d'arbres pour que les erreurs des forêts finies et infinies soient proches. D'autre part, nous étudions les forêts quantiles, un type d'algorithme proche des forêts de Breiman. Dans ce cadre, nous démontrons l'intérêt d'agréger des arbres : même si chaque arbre de la forêt quantile est inconsistant, grâce à un sous-échantillonnage adapté, la forêt quantile est consistante. Dans un deuxième temps, nous prouvons que les forêts aléatoires sont naturellement liées à des estimateurs à noyau que nous explicitons. Des bornes sur la vitesse de convergence de ces estimateurs sont également établies. Nous démontrons, dans une troisième approche, deux théorèmes sur la consistance des forêts de Breiman élaguées et complètement développées. Dans ce dernier cas, nous soulignons, comme pour les forêts quantiles, l'importance du sous-échantillonnage dans la consistance de la forêt. Enfin, nous présentons un travail indépendant portant sur l'estimation de la toxicité de certains composés chimiquesThis is devoted to a nonparametric estimation method called random forests, introduced by Breiman in 2001. Extensively used in a variety of areas, random forests exhibit good empirical performance and can handle massive data sets. However, the mathematical forces driving the algorithm remain largely unknown. After reviewing theoretical literature, we focus on the link between infinite forests (theoretically analyzed) and finite forests (used in practice) aiming at narrowing the gap between theory and practice. In particular, we propose a way to select the number of trees such that the errors of finite and infinite forests are similar. On the other hand, we study quantile forests, a type of algorithms close in spirit to Breiman's forests. In this context, we prove the benefit of trees aggregation: while each tree of quantile forest is not consistent, with a proper subsampling step, the forest is. Next, we show the connection between forests and some particular kernel estimates, which can be made explicit in some cases. We also establish upper bounds on the rate of convergence for these kernel estimates. Then we demonstrate two theorems on the consistency of both pruned and unpruned Breiman forests. We stress the importance of subsampling to demonstrate the consistency of the unpruned Breiman's forests. At last, we present the results of a Dreamchallenge whose goal was to predict the toxicity of several compounds for several patients based on their genetic profile
13
Hamdi, Fatma. "Apprentissage en distributions déséquilibrées." Paris 13, 2012. http://scbd-sto.univ-paris13.fr/intranet/edgalilee_th_2012_hamdi.pdf.
Full textAbstract:
Le travail de recherche présenté dans cette thèse concerne le développement d’approches à base d’apprentissage artificiel pour le traitement des bases de données déséquilibrées. Afin d’apporter des éléments de réponse pour cette problématique, nous proposons différentes contributions. Une première méthode qui agit au niveau des données d’apprentissage SNCR, c’est une technique d’échantillonnage structurel adaptatif qui permet de rééquilibrer les données par sous-échantillonnage de la classe majoritaire. La méthode proposée est guidée par la structure topologique des données et leur distribution. La seconde contribution proposée dans cette thèse aborde le problème de l’apprentissage à partir d’une seule classe, c’est un moyen permettant de contourner le problème de classes déséquilibrées à un problème de détection de nouveauté. Le modèle RS-NDF est basée sur un ensemble de filtres adaptatif. Chaque filtre est conçu dans un espace de description dont les composantes et la dimension sont choisies aléatoirement. Nous avons proposé en outre une amélioration de la qualité de RS-NDF par une extension plus économe SRS-NDF, permettant de réduire le nombre de modèles participant à la prise de décision. L’objectif est de choisir parmi cet ensemble de filtres, le sous ensemble qui permet d’atteindre les meilleurs performances. Enfin nous avons proposé une adaptation de l’approche RS-NDF au problème de la détection de la dérive de concept. Les résultats obtenus sur la validation des approches traités an cette étude sont encourageants et prometteursThe research work exposed in this thesis concerns the development of approaches for processing and modeling unbalanced databases. In order to afford solutions to this problem, we propose different contributions. A first proposition acting at the learning data level SNCR, it is a technique of adaptive structural sampling that allowing data rebalancing by sub-sampling of the ma jority class. The proposed method is guided by the topological structure of the data and their distribution. The second proposed approach in this thesis discuss the problem of one class learning, it is a way allowing to bypass the problem of unbalanced classes to a novelty detection problem. The model RS-NDF is based on a set of adaptive filters. Every filter is conceived in a description subspace which the components and the dimension are randomly chosen. Besides, we propose an improvement of the quality of RS-NFD by an extension SRS-NDF allowing to reduce the number of models participating in the decision. The goal is to choose between those filters the sub-set which allows to reach the best performances. Finally, we propose an adaptation of the RS-NDF approach to the concept drift detection problem. The results obtained using the proposed approaches are encouraging and promising
14
Magaud, François-Xavier. "Stratégies de méta-apprentissage." Lyon 1, 2007. http://www.theses.fr/2007LYO10081.
Full textAbstract:
Cette étude a permis de construire une théorie du méta-apprentissage. Elle définit le méta-apprentissage par rapport à un but : générer automatiquement de la méta-connaissance. La méta-connaissance est produite par une stratégie d'apprentissage, appelée méta-apprentissage. Le cadre théorique est fixé par une classification en quatre types de stratégies de méta-apprentissage : le type sélection, le type agrégation, le type auto-adaptatif et le type réflexif. Chaque type contient un fondement théorique qui s'appuie soit sur des algorithmes existants soit sur les algorithmes réalisés pour cette thèse. Un outil original d'analyse des trajectoires a été construit pour illustrer le type réflexif. Il utilise le méta-apprentissage pour définir une méta-connaissancesous forme d'une courbeThis study enables to build a meta-learning theory. It defines the meta-learning via a goal: to produce a meta-knowledge automatically. The meta-knowledge is generated by a learning strategy, called meta-learning. The theoretical framework is fixed by a classification in four types of meta-learning strategies : the selection type, the aggregation type, the self-adapting type and the reflexive type. Each type contains theoretical foundations, which is based on existing algorithms or on algorithms carried out for this thesis. An original tool for trajectories analysis was built to illustrate the reflexive type. It uses the meta-learning to define the meta-knowledge which has the shape of a curve
15
Bayoudh, Sabri. "Apprentissage par proportion analogique." Rennes 1, 2007. ftp://ftp.irisa.fr/techreports/theses/2007/bayoudh.pdf.
Full textAbstract:
Les travaux présentés dans cette thèse s’inscrivent dans le cadre du raisonnement par analogie. Nous nous intéressons à la proportion analogique (A est à B ce que C est à D) et nous décrivons son utilisation et surtout son apport en apprentissage artificiel. Nous abordons tout d’abord le cas des proportions analogiques exactes. Ensuite, nous nous attachons plus particulièrement à définir une nouvelle notion, la dissemblance analogique qui mesure si quatre objets sont éloignés d’être en proportion analogique, et à l’appliquer en particulier à des séquences. Après avoir défini la proportion analogique, la dissemblance analogique et la résolution approchée d’équations analogiques, nous décrivons deux algorithmes qui rendent opérationnels ces notions d’apprentissage et de résolution pour des objets numériques ou symboliques et pour des séquences de ces objets. Nous montrons ensuite leur efficacité au travers de deux cas pratiques : le premier est l’apprentissage d’une règle de classification par proportion analogique pour des objets décrits par des attributs binaires et nominaux ; le second montre comment la génération de nouveaux exemples (par résolution approchée d’équations analogiques) peut aider un système de reconnaissance de caractères manuscrits à s’adapter très rapidement à un nouveau scripteurThe work presented in this thesis lies within the scope of reasoning by analogy. We are interested in the analogical proportion (A is to B as C is to D) and we describe its use and especially its contribution in machine learning. Firstly, we are interested in defining exact analogical proportions. Then, we tackle the problem of defining a new concept, the analogical dissimilarity which is a measure of how close four objects are from being in analogical proportion, including the case where the objects are sequences. After having defined the analogical proportion, the analogical dissimilarity and the approximate resolution of analogical equations, we describe two algorithms that make these concepts operational for numerical or symbolic objects and sequences of these objects. We show their use through two practical cases : the first is a problem of learning a classification rule on benchmarks of binary and nominal data ; the second shows how the generation of new sequences by solving analogical equations enables a handwritten character recognition system to rapidly be adapted to a new writer
16
Zimmer, Matthieu. "Apprentissage par renforcement développemental." Thesis, Université de Lorraine, 2018. http://www.theses.fr/2018LORR0008/document.
Full textAbstract:
L'apprentissage par renforcement permet à un agent d'apprendre un comportement qui n'a jamais été préalablement défini par l'homme. L'agent découvre l'environnement et les différentes conséquences de ses actions à travers des interactions avec celui-ci : il apprend de sa propre expérience, sans avoir de connaissances préétablies des buts ni des effets de ses actions. Cette thèse s'intéresse à la façon dont l'apprentissage profond peut aider l'apprentissage par renforcement à gérer des espaces continus et des environnements ayant de nombreux degrés de liberté dans l'optique de résoudre des problèmes plus proches de la réalité. En effet, les réseaux de neurones ont une bonne capacité de mise à l'échelle et un large pouvoir de représentation. Ils rendent possible l'approximation de fonctions sur un espace continu et permettent de s'inscrire dans une approche développementale nécessitant peu de connaissances a priori sur le domaine. Nous cherchons comment réduire l'expérience nécessaire à l'agent pour atteindre un comportement acceptable. Pour ce faire, nous avons proposé le cadre Neural Fitted Actor-Critic qui définit plusieurs algorithmes acteur-critique efficaces en données. Nous examinons par quels moyens l'agent peut exploiter pleinement les transitions générées par des comportements précédents en intégrant des données off-policy dans le cadre proposé. Finalement, nous étudions de quelle manière l'agent peut apprendre plus rapidement en tirant parti du développement de son corps, en particulier, en procédant par une augmentation progressive de la dimensionnalité de son espace sensorimoteurReinforcement learning allows an agent to learn a behavior that has never been previously defined by humans. The agent discovers the environment and the different consequences of its actions through its interaction: it learns from its own experience, without having pre-established knowledge of the goals or effects of its actions. This thesis tackles how deep learning can help reinforcement learning to handle continuous spaces and environments with many degrees of freedom in order to solve problems closer to reality. Indeed, neural networks have a good scalability and representativeness. They make possible to approximate functions on continuous spaces and allow a developmental approach, because they require little a priori knowledge on the domain. We seek to reduce the amount of necessary interaction of the agent to achieve acceptable behavior. To do so, we proposed the Neural Fitted Actor-Critic framework that defines several data efficient actor-critic algorithms. We examine how the agent can fully exploit the transitions generated by previous behaviors by integrating off-policy data into the proposed framework. Finally, we study how the agent can learn faster by taking advantage of the development of his body, in particular, by proceeding with a gradual increase in the dimensionality of its sensorimotor space
17
Zimmer, Matthieu. "Apprentissage par renforcement développemental." Electronic Thesis or Diss., Université de Lorraine, 2018. http://www.theses.fr/2018LORR0008.
Full textAbstract:
L'apprentissage par renforcement permet à un agent d'apprendre un comportement qui n'a jamais été préalablement défini par l'homme. L'agent découvre l'environnement et les différentes conséquences de ses actions à travers des interactions avec celui-ci : il apprend de sa propre expérience, sans avoir de connaissances préétablies des buts ni des effets de ses actions. Cette thèse s'intéresse à la façon dont l'apprentissage profond peut aider l'apprentissage par renforcement à gérer des espaces continus et des environnements ayant de nombreux degrés de liberté dans l'optique de résoudre des problèmes plus proches de la réalité. En effet, les réseaux de neurones ont une bonne capacité de mise à l'échelle et un large pouvoir de représentation. Ils rendent possible l'approximation de fonctions sur un espace continu et permettent de s'inscrire dans une approche développementale nécessitant peu de connaissances a priori sur le domaine. Nous cherchons comment réduire l'expérience nécessaire à l'agent pour atteindre un comportement acceptable. Pour ce faire, nous avons proposé le cadre Neural Fitted Actor-Critic qui définit plusieurs algorithmes acteur-critique efficaces en données. Nous examinons par quels moyens l'agent peut exploiter pleinement les transitions générées par des comportements précédents en intégrant des données off-policy dans le cadre proposé. Finalement, nous étudions de quelle manière l'agent peut apprendre plus rapidement en tirant parti du développement de son corps, en particulier, en procédant par une augmentation progressive de la dimensionnalité de son espace sensorimoteurReinforcement learning allows an agent to learn a behavior that has never been previously defined by humans. The agent discovers the environment and the different consequences of its actions through its interaction: it learns from its own experience, without having pre-established knowledge of the goals or effects of its actions. This thesis tackles how deep learning can help reinforcement learning to handle continuous spaces and environments with many degrees of freedom in order to solve problems closer to reality. Indeed, neural networks have a good scalability and representativeness. They make possible to approximate functions on continuous spaces and allow a developmental approach, because they require little a priori knowledge on the domain. We seek to reduce the amount of necessary interaction of the agent to achieve acceptable behavior. To do so, we proposed the Neural Fitted Actor-Critic framework that defines several data efficient actor-critic algorithms. We examine how the agent can fully exploit the transitions generated by previous behaviors by integrating off-policy data into the proposed framework. Finally, we study how the agent can learn faster by taking advantage of the development of his body, in particular, by proceeding with a gradual increase in the dimensionality of its sensorimotor space
18
BONELLI, PIERRE. "Apprentissage par algorithmes genetiques." Paris 11, 1993. http://www.theses.fr/1993PA112395.
Full textAbstract:
Dans le cadre de cette these, nous avons consacre notre recherche a l'exploitation de l'apprentissage a base d'algorithmes genetiques (abag). Au depart, nous nous sommes interesses au systeme de classificateurs (sc) boole de wilson, et nous sommes apercus que ce systeme destine a l'origine a l'apprentissage de fonctions booleennes, pouvait etre modifie et etendu dans la perspective de la resolution de problemes plus complexes. Nous nous sommes tout d'abord interesses a l'amelioration de la vitesse de convergence du systeme dans le cadre de l'apprentissage de fonctions booleennes: nous avons montre que cette vitesse de convergence pouvait etre radicalement augmentee. Cette modification de l'algorithme de renforcement a transforme le systeme en un systeme capable d'apprendre des fonctions de classification generales en mode supervise. Prenant quelques distances par rapport au cadre hollandien des algorithmes genetiques nous avons adopte une representation naturelle des instances et des regles, et nous avons developpe des operateurs genetiques specialement adaptes a cette nouvelle representation d'ordre o+. Les experiences effectuees ont demontre qu'un sc etait capable de rivaliser avec les meilleurs systemes d'apprentissage dans le contexte de l'apprentissage a partir d'exemples pre-classifies (diagnostic medical). En dernier lieu, nous avons explore la capacite de notre sc a apprendre des fonctions de r#nr#p. Nous sommes parvenus a resoudre ce probleme en transformant les classificateurs en regles flous au sens de la logique floue de zadeh. Cette approche se distingue par sa simplicite ainsi que par ses bons resultats, prouvant ainsi la puissance des ag a resoudre ce probleme plus complexe
19
Le, Lann Marie-Véronique. "Commande prédictive et commande par apprentissage : étude d'une unité pilote d'extraction, optimisation par apprentissage." Toulouse, INPT, 1988. http://www.theses.fr/1988INPT023G.
Full textAbstract:
Presentation de deux algorithmes de commande adaptative a caractere predictif (commande predictive generalisee et commande predictive generalisee avec modeles de references) et leur application au controle monovariable de l'unite pilote. La commande monovariable a apprentissage est realisee a l'aide d'un seul automate, puis a l'aide d'une structure hierarchique. La commande multivariable (transfert de matiere et hydrodynamique) est effectuee selon trois schemas de commande : deux boucles de commande independantes ; deux boucles interconnectees, et une boucle a deux entrees deux sorties
20
Le, Lann Marie-Véronique. "Commande prédictive et commande par apprentissage étude d'une unité pilote d'extraction, optimisation par apprentissage /." Grenoble 2 : ANRT, 1988. http://catalogue.bnf.fr/ark:/12148/cb37615168p.
Full text
21
Bertrand, Hadrien. "Optimisation d'hyper-paramètres en apprentissage profond et apprentissage par transfert : applications en imagerie médicale." Thesis, Université Paris-Saclay (ComUE), 2019. http://www.theses.fr/2019SACLT001/document.
Full textAbstract:
Ces dernières années, l'apprentissage profond a complètement changé le domaine de vision par ordinateur. Plus rapide, donnant de meilleurs résultats, et nécessitant une expertise moindre pour être utilisé que les méthodes classiques de vision par ordinateur, l'apprentissage profond est devenu omniprésent dans tous les problèmes d'imagerie, y compris l'imagerie médicale.Au début de cette thèse, la construction de réseaux de neurones adaptés à des tâches spécifiques ne bénéficiait pas encore de suffisamment d'outils ni d'une compréhension approfondie. Afin de trouver automatiquement des réseaux de neurones adaptés à des tâches spécifiques, nous avons ainsi apporté des contributions à l’optimisation d’hyper-paramètres de réseaux de neurones. Cette thèse propose une comparaison de certaines méthodes d'optimisation, une amélioration en performance d'une de ces méthodes, l'optimisation bayésienne, et une nouvelle méthode d'optimisation d'hyper-paramètres basé sur la combinaison de deux méthodes existantes : l'optimisation bayésienne et hyperband.Une fois équipés de ces outils, nous les avons utilisés pour des problèmes d'imagerie médicale : la classification de champs de vue en IRM, et la segmentation du rein en échographie 3D pour deux groupes de patients. Cette dernière tâche a nécessité le développement d'une nouvelle méthode d'apprentissage par transfert reposant sur la modification du réseau de neurones source par l'ajout de nouvelles couches de transformations géométrique et d'intensité.En dernière partie, cette thèse revient vers les méthodes classiques de vision par ordinateur, et nous proposons un nouvel algorithme de segmentation qui combine les méthodes de déformations de modèles et l'apprentissage profond. Nous montrons comment utiliser un réseau de neurones pour prédire des transformations globales et locales sans accès aux vérités-terrains de ces transformations. Cette méthode est validé sur la tâche de la segmentation du rein en échographie 3DIn the last few years, deep learning has changed irrevocably the field of computer vision. Faster, giving better results, and requiring a lower degree of expertise to use than traditional computer vision methods, deep learning has become ubiquitous in every imaging application. This includes medical imaging applications. At the beginning of this thesis, there was still a strong lack of tools and understanding of how to build efficient neural networks for specific tasks. Thus this thesis first focused on the topic of hyper-parameter optimization for deep neural networks, i.e. methods for automatically finding efficient neural networks on specific tasks. The thesis includes a comparison of different methods, a performance improvement of one of these methods, Bayesian optimization, and the proposal of a new method of hyper-parameter optimization by combining two existing methods: Bayesian optimization and Hyperband.From there, we used these methods for medical imaging applications such as the classification of field-of-view in MRI, and the segmentation of the kidney in 3D ultrasound images across two populations of patients. This last task required the development of a new transfer learning method based on the modification of the source network by adding new geometric and intensity transformation layers.Finally this thesis loops back to older computer vision methods, and we propose a new segmentation algorithm combining template deformation and deep learning. We show how to use a neural network to predict global and local transformations without requiring the ground-truth of these transformations. The method is validated on the task of kidney segmentation in 3D US images
22
Bertrand, Hadrien. "Optimisation d'hyper-paramètres en apprentissage profond et apprentissage par transfert : applications en imagerie médicale." Electronic Thesis or Diss., Université Paris-Saclay (ComUE), 2019. http://www.theses.fr/2019SACLT001.
Full textAbstract:
Ces dernières années, l'apprentissage profond a complètement changé le domaine de vision par ordinateur. Plus rapide, donnant de meilleurs résultats, et nécessitant une expertise moindre pour être utilisé que les méthodes classiques de vision par ordinateur, l'apprentissage profond est devenu omniprésent dans tous les problèmes d'imagerie, y compris l'imagerie médicale.Au début de cette thèse, la construction de réseaux de neurones adaptés à des tâches spécifiques ne bénéficiait pas encore de suffisamment d'outils ni d'une compréhension approfondie. Afin de trouver automatiquement des réseaux de neurones adaptés à des tâches spécifiques, nous avons ainsi apporté des contributions à l’optimisation d’hyper-paramètres de réseaux de neurones. Cette thèse propose une comparaison de certaines méthodes d'optimisation, une amélioration en performance d'une de ces méthodes, l'optimisation bayésienne, et une nouvelle méthode d'optimisation d'hyper-paramètres basé sur la combinaison de deux méthodes existantes : l'optimisation bayésienne et hyperband.Une fois équipés de ces outils, nous les avons utilisés pour des problèmes d'imagerie médicale : la classification de champs de vue en IRM, et la segmentation du rein en échographie 3D pour deux groupes de patients. Cette dernière tâche a nécessité le développement d'une nouvelle méthode d'apprentissage par transfert reposant sur la modification du réseau de neurones source par l'ajout de nouvelles couches de transformations géométrique et d'intensité.En dernière partie, cette thèse revient vers les méthodes classiques de vision par ordinateur, et nous proposons un nouvel algorithme de segmentation qui combine les méthodes de déformations de modèles et l'apprentissage profond. Nous montrons comment utiliser un réseau de neurones pour prédire des transformations globales et locales sans accès aux vérités-terrains de ces transformations. Cette méthode est validé sur la tâche de la segmentation du rein en échographie 3DIn the last few years, deep learning has changed irrevocably the field of computer vision. Faster, giving better results, and requiring a lower degree of expertise to use than traditional computer vision methods, deep learning has become ubiquitous in every imaging application. This includes medical imaging applications. At the beginning of this thesis, there was still a strong lack of tools and understanding of how to build efficient neural networks for specific tasks. Thus this thesis first focused on the topic of hyper-parameter optimization for deep neural networks, i.e. methods for automatically finding efficient neural networks on specific tasks. The thesis includes a comparison of different methods, a performance improvement of one of these methods, Bayesian optimization, and the proposal of a new method of hyper-parameter optimization by combining two existing methods: Bayesian optimization and Hyperband.From there, we used these methods for medical imaging applications such as the classification of field-of-view in MRI, and the segmentation of the kidney in 3D ultrasound images across two populations of patients. This last task required the development of a new transfer learning method based on the modification of the source network by adding new geometric and intensity transformation layers.Finally this thesis loops back to older computer vision methods, and we propose a new segmentation algorithm combining template deformation and deep learning. We show how to use a neural network to predict global and local transformations without requiring the ground-truth of these transformations. The method is validated on the task of kidney segmentation in 3D US images
23
Boyer, Laurent. "Apprentissage probabiliste de similarités d'édition." Phd thesis, Université Jean Monnet - Saint-Etienne, 2011. http://tel.archives-ouvertes.fr/tel-00718835.
Full textAbstract:
De nombreuses applications informatiques nécessitent l'utilisation de distances. Dans le cadre de données structurées, chaînes ou arbres, nous utilisons majoritairement la distance d'édition. Celle-ci correspond au nombre minimal d'opérations d'édition (insertion, délétion et substitution) nécessaire pour transformer la première donnée en la seconde. Suivant l'application traitée, il est possible de paramétrer la distance d'édition en associant à chaque opération d'édition un poids. Dans le cadre de ce manuscrit, nous proposons une technique d'apprentissage automatique supervisée pour apprendre les poids de la distance décrite précédemment. L'algorithme utilisé, appelé Expectation-Maximisation, maximise la vraisemblance des paramètres du modèle à l'aide d'un échantillon d'apprentissage composé de paires d'exemples considérés comme similaires. La première contribution de ce manuscrit est une extension de précédents travaux sur les chaînes aux arbres sous la forme de transducteur à un unique état. Nous montrons sur une tâche de reconnaissance de caractères manuscrits, l'efficacité de l'apprentissage par rapport à l'utilisation de poids non appris. La seconde est une approche sur les chaînes sous contraintes. Le modèle est représenté par un ensemble fini d'états dans lequel les transitions sont contraintes. Une contrainte est représentée par un ensemble fini de fonctions booléennes définies sur la chaîne d'entrée et une de ses positions. Nous utilisons notre modèle pour aborder une application de recherche de sites de facteur de transcription dans des séquences génomiques
24
Soldano, Henry. "Apprentissage : Paradigmes, Structures et abstractions." Habilitation à diriger des recherches, Université Paris-Nord - Paris XIII, 2009. http://tel.archives-ouvertes.fr/tel-00514160.
Full textAbstract:
L'ensemble des travaux présentés relève de l'Apprentissage Artificiel, et aborde l'apprentissage supervisé, ainsi que l'aide à la découverte par la fouille de données. On se place ici dans le cas où un problème d'apprentissage passe par l'exploration d'un "Espace de Recherche", constitué de représentations formées dans un certain langage d'énoncés. La structure cachée liant "énoncés" et sous-ensembles d'"objets", représentable dans un treillis intension/extension, permet en particulier de réduire l'espace de recherche dans les problèmes d'apprentissage supervisé. Je présente ensuite une forme d'"abstraction" ordonnée faisant varier le niveau de granularité des énoncés, ou des objets considérés, et garantissant que le treillis intension/extension est ainsi lui-même réduit. Certains travaux concernant la recherche de motifs séquentiels réquents, sont également interprétés du point de vue de cette relation intension/extension. Enfin, deux "paradigmes" nouveaux en apprentissage supervisé sont présentés, l'un traitant de la notion d'ambiguïté des exemples, l'autre étendant l'apprentissage supervisé cohérent dans un cadre collectif.
25
Bondu, Alexis. "Apprentissage actif par modèles locaux." Phd thesis, Université d'Angers, 2008. http://tel.archives-ouvertes.fr/tel-00450124.
Full textAbstract:
Les méthodes d'apprentissage statistiques exploitent des exemples, pour enseigner un comportement à un modèle prédictif. La classification supervisée requiert des exemples étiquetés. En pratique, l'étiquetage des exemples peut se révélé coûteux. Dans certain cas, l'étiquetage implique un expert humain, un instrument de mesure, un temps de calcul élevé...etc. Les méthodes d'apprentissage actif réduisent le coût de préparation des données d'apprentissage. Ces méthodes cherchent à étiqueter uniquement les exemples les plus utiles à l'apprentissage d'un modèle. Les travaux présentés dans ce manuscrit sont réalisés dans le cadre de l'échantillonnage sélectif, qui n'autorise pas les stratégies actives à générer de nouveaux exemples d'apprentissage. Les stratégies actives de la littérature utilisent généralement des modèles globaux à l'espace des variables d'entrées. Nous proposons dans ce manuscrit une stratégie originale qui effectue un partitionnement dichotomique récursif de l'espace d'entrée. Cette stratégie met en compétition les modèles locaux à chacune des zones, pour choisir les exemples à étiqueter. Notre stratégie décide “quand” couper une zone et “où” la couper. Une amélioration possible consiste `a exploiter une méthode de discrétisation pour prendre ces deux décisions. L'extension de l'approche de discrétisation MODL au cas de l'apprentissage semi-supervisé constitue un des apports majeurs de cette thèse. Nous proposons une deuxième amélioration qui consiste à sélectionner, localement à la meilleure zone, l'exemple le plus utile à l'apprentissage du modèle local. Nous proposons une stratégie active originale, qui maximise la probabilité des modèles de discrétisation connaissant les données et l'exemple candidat à l'étiquetage.
26
Tommasi, Marc. "Structures arborescentes et apprentissage automatique." Habilitation à diriger des recherches, Université Charles de Gaulle - Lille III, 2006. http://tel.archives-ouvertes.fr/tel-00117063.
Full textAbstract:
Le programme de recherches présenté dans cette synthèse s'inscrit dans la double problématique de l'étude des langages d'arbres et de l'apprentissage automatique à partir de données arborescentes. À la base de ce travail se trouve la question de l'accès et de la manipulation automatique d'informations au format XML au sein d'un réseau d'applications réparties dans internet. La réalisation de ces applications est toujours du ressort de programmeurs spécialistes d'XML et reste hors de portée de l'utilisateur final. De plus, les développements récents d'internet poursuivent l'objectif d'automatiser les communications entre applications s'échangeant des flux de données XML. Le recours à des techniques d'apprentissage automatique est une réponse possible à cette situation.
Nous considèrons que les informations sont décrites dans un langage XML, et dans la perspective de ce mémoire, embarquées dans des données structurées sous forme arborescente. Les applications sont basées alors sur des opérations élémentaires que sont l'interrogation ou les requêtes dans ces documents arborescents ou encore la transformation de tels documents.
Nous abordons alors la question sous l'angle de la réalisation automatique de programmes d'annotation d'arbres, permettant de dériver des procédures de transformation ou d'exécution de requêtes. Le mémoire décrit les contributions apportées pour la manipulation et l'apprentissage d'ensembles d'arbres d'arité non bornée (comme le sont les arbres XML), et l'annotation par des méthodes de classification supervisée ou d'inférence statistique.
27
Decaestecker, Christine. "Apprentissage en classification conceptuelle incrémentale." Doctoral thesis, Universite Libre de Bruxelles, 1991. http://hdl.handle.net/2013/ULB-DIPOT:oai:dipot.ulb.ac.be:2013/213000.
Full text
28
Pellerin, Éric. "Méta-apprentissage des algorithmes génétiques /." Trois-Rivières : Université du Québec à Trois-Rivières, 2005. http://www.uqtr.ca/biblio/notice/resume/24652684R.pdf.
Full text
29
Lopez, Matthieu. "Apprentissage de problèmes de contraintes." Phd thesis, Université d'Orléans, 2011. http://tel.archives-ouvertes.fr/tel-00668156.
Full textAbstract:
La programmation par contraintes permet de modéliser des problèmes et offre des méthodes de résolution efficaces. Cependant, sa complexité augmentant ces dernières années, son utilisation, notamment pour modéliser des problèmes, est devenue limitée à des utilisateurs possédant une bonne expérience dans le domaine. Cette thèse s'inscrit dans un cadre visant à automatiser la modélisation. Les techniques existantes ont montré des résultats encourageants mais certaines exigences rendent leur utilisation encore problématique. Dans une première partie, nous proposons de dépasser une limite existante qui réside dans la nécessité pour l'utilisateur de fournir des solutions du problème qu'il veut modéliser. En remplacement, il nous fournit des solutions de problèmes proches, c'est-à-dire de problèmes dont la sémantique de fond est la même mais dont les variables et leur domaine peuvent changer. Pour exploiter de telles données, nous proposons d'acquérir, grâce à des techniques de programmation logique inductive, un modèle plus abstrait que le réseau de contraintes. Une fois appris, ce modèle est ensuite transformé pour correspondre au problème initial que souhaitait résoudre l'utilisateur. Nous montrons également que la phase d'apprentissage se heurte à des limites pathologiques et qui nous ont contraints à développer un nouvel algorithme pour synthétiser ces modèles abstraits. Dans une seconde partie, nous nous intéressons à la possibilité pour l'utilisateur de ne pas donner d'exemples du tout. En partant d'un CSP sans aucune contrainte, notre méthode consiste à résoudre le problème de l'utilisateur de manière classique. Grâce à un arbre de recherche, nous affectons progressivement des valeurs aux variables. Quand notre outil ne peut décider si l'affectation partielle courante est correcte ou non, nous demandons à l'utilisateur de guider la recherche sous forme de requêtes. Ces requêtes permettent de trouver des contraintes à ajouter aux modèles du CSP et ainsi améliorer la recherche.
30
PIERRE, CORINNE. "Apprentissage par l'action. Perspective developpementale." Paris 5, 1995. http://www.theses.fr/1995PA05H044.
Full textAbstract:
Cette etude porte sur les processus d'apprentissage par l'action, forme privilegiee d'acquisition de connaissance, mis en oeuvre par des sujets d'ages differents dans deux situations-problemes differentes. La perspective de travail est double : cognitive et developpelentale et le point de vue developpe est que cet apprentissage ne mobilise pas de processus de resolution de problemes qui lui sont specifiques ; les processus en jeu ont pour fonction la decouverte, voire l'explication de regularites. Les deux situations etudiees sont : un probleme a transformation d'etats, bien defini : la variante de whitoff du jeu de nim. Une situation d'apprentissage du langage de commande d'un dispositif sonore : polyson. L'age des sujets confrontes a ces deux situations variant de 6 7 ans a l'age adulte.
31
De, Carvalho Gomes Fernando. "Utilisation d'algorithmes stochastiques en apprentissage." Montpellier 2, 1992. http://www.theses.fr/1992MON20254.
Full textAbstract:
Dans le cadre de l'apprentissage inductif, les données sont souvent mal décrites et bruitées. Dans ce cas, la génération de procédures de classification présentant une parfaite adéquation aux données, produit des résultats de taille (ou complexité) importante. Les performances sont excellentes sur les données ayant servi à apprendre, mais mauvaises sur un ensemble test. On cherche alors des procédures présentant un bon compromis complexité adéquation aux données et la tache se rapproche de l'optimisation. Plusieurs approches gloutonnes ont été proposées. L'objet de cette thèse est de proposer une approche plus puissante. L'apport principal est un algorithme d'apprentissage base sur la recherche stochastique d'une liste de décision de faible complexité. Cet algorithme procède en deux phases distinctes: la diversification et l'intensification de la recherche, exécutées respectivement par le recuit simule et par la méthode tabou
32
Ronald, Edmund. "Apprentissage évolutionniste des réseaux neuromimétiques." Palaiseau, Ecole polytechnique, 1997. http://www.theses.fr/1997EPXX0048.
Full textAbstract:
La ou la retropropagation classique des reseaux neuromimetiques requiert des echantillons d'entrees-sortie, l'apprentissage evolutionniste etudie dans cette these peut s'effectuer des lors qu'est disponible une mesure de la qualite du comportement d'un reseau. La faisabilite de l'apprentissage evolutionniste dans le domaine du controle non-lineaire est demontree dans le context de la mise a quai en marche arriere d'un camion avec remorque. Une etude quantitative plus detaillee examine l'alunissage controle d'un module lunaire ne disposant que d'un combustible limite. Une grande amelioration de la precision du controle est obtenue au moyen d'un changement de topologie de reseau, par ajout d'entrees supplementaires renormalisees. Les poids synaptiques et les pentes des fonctions de transfert des neurones composant le reseau controleur peuvent etre ajustees en meme temps que les coefficients de renormalisation des entrees, aboutissant ainsi a une methodologie de type boite noire, ou le controle nkeuro-genetique peut etre obtenu sans tatonnements de l'operateur. Dans cette etude l'effort de calcul (nombre de generations) requis pour obtenir une precision souhaitee avec une probabilite donnee (par exemple 99%) est presente comme nouvelle metrique, et celle-ci est confrontee avec la metrique plus usuelle portant sur la motenne des meilleurs elements. Ces etudes applicatives sont accompagnees de deux contributions plus theoriques, l'une dans le domaine evolutioniste, l'autre dans le domaine des reseaux : un algorithme inspire de la selection sexuelle de darwin etend l'algorithme genetique usuel par la notion de choix de partenaire reproductif. Cet algorithme dit de selection-seduction permet de realiser une optimisation bi-objectif. Dans le cas du module lunaire ce sera la prise en compte simultanee de la vitesse d'alunissage et de la reserve de combustible. Dans le domaine des reseaux de neurones, l'algorithme du gradient applique dans l'espace des entrees permettra de caracteriser les prototypes de chaque classe reconnue par un reseau classificateur.
33
Al, Sahyouni Bou Fadel Reine. "TIC et apprentissage de l'interculturalité." Thesis, Bordeaux 3, 2014. http://www.theses.fr/2014BOR30020/document.
Full textAbstract:
Cette thèse de doctorat a pour finalité de conduire une réflexion informée expérimentalement sur le rôle, voire sur la fonction des TIC dans le processus d’acquisition de L.E et sur l’apprentissage de l’interculturalité et l’ouverture à l’autre. Elle vise également à évaluer le potentiel acquisitionnel des élèves en matière de connaissances, de compétences, de communication et d’ouverture à d’autres cultures. La problématique soutenue par cette recherche est également en rapport avec le rôle que jouent les TIC dans le processus d’apprentissage en milieu scolaire primaire : Dans quelle mesure ces nouvelles technologies participent au développement des compétences des jeunes en matière de langue française et d'interculturalité ? Les TIC permettent de faire des simulations de divers phénomènes (physiques, historiques…), elles offrent aux élèves des moyens très diversifiés de se rendre compte des compétences et des connaissances qu’ils peuvent développer tout en réveillant leur curiosité ainsi que leur motivation. Le terrain de recherche est basé sur deux expérience concrètes de formation à la langue et à la culture française par la mise en réseau d'établissement scolaire dans différents pays francophones utilisant chacune les TIC. La méthode du travail repose sur l'observation des pratiques des élèves et leur évolution dans la connaissance de l'autre d'où l'interculturalité, une analyse de contenu de site web, des enquêtes par entretiens semi-directifs ainsi que par questionnaire auprès des élèves et des enseignantsThis thesis has aimed at conducting experimentally informed reflection on the role or the function of ICT in the process of acquisition of LE and learning of multiculturalism and openness to the other. It also aims to evaluate the potential of students’ acquisitionnel in knowledge, skills, communication and openness to other cultures. The research supported by this problem is also related to the role of ICT in the learning process in primary school: To what extent these new technologies involved in developing young people's skills in the field of French language and intercultural? ICT allow for simulations of various phenomena (physical, historical ...), they provide students with very diverse ways to realize the skills and knowledge they can develop while awakening their curiosity and motivation. Field research is based on two concrete learning experience language and French culture through networking school in various Francophone countries each using ICT. The method of work based on the observation of the practices of students and their evolution in the knowledge of the other where interculturalism , an analysis of web site content , surveys by semi -structured interviews and questionnaire with students and teachers
34
Jorro, José. "Identité, apprentissage et auto-organisation." Lille 3 : ANRT, 1986. http://catalogue.bnf.fr/ark:/12148/cb37594832v.
Full text
35
Goh, Hanlin. "Apprentissage de Représentations Visuelles Profondes." Phd thesis, Université Pierre et Marie Curie - Paris VI, 2013. http://tel.archives-ouvertes.fr/tel-00948376.
Full textAbstract:
Les avancées récentes en apprentissage profond et en traitement d'image présentent l'opportunité d'unifier ces deux champs de recherche complémentaires pour une meilleure résolution du problème de classification d'images dans des catégories sémantiques. L'apprentissage profond apporte au traitement d'image le pouvoir de représentation nécessaire à l'amélioration des performances des méthodes de classification d'images. Cette thèse propose de nouvelles méthodes d'apprentissage de représentations visuelles profondes pour la résolution de cette tache. L'apprentissage profond a été abordé sous deux angles. D'abord nous nous sommes intéressés à l'apprentissage non supervisé de représentations latentes ayant certaines propriétés à partir de données en entrée. Il s'agit ici d'intégrer une connaissance à priori, à travers un terme de régularisation, dans l'apprentissage d'une machine de Boltzmann restreinte. Nous proposons plusieurs formes de régularisation qui induisent différentes propriétés telles que la parcimonie, la sélectivité et l'organisation en structure topographique. Le second aspect consiste au passage graduel de l'apprentissage non supervisé à l'apprentissage supervisé de réseaux profonds. Ce but est réalisé par l'introduction sous forme de supervision, d'une information relative à la catégorie sémantique. Deux nouvelles méthodes sont proposées. Le premier est basé sur une régularisation top-down de réseaux de croyance profonds à base de machines des Boltzmann restreintes. Le second optimise un cout intégrant un critère de reconstruction et un critère de supervision pour l'entrainement d'autoencodeurs profonds. Les méthodes proposées ont été appliquées au problème de classification d'images. Nous avons adopté le modèle sac-de-mots comme modèle de base parce qu'il offre d'importantes possibilités grâce à l'utilisation de descripteurs locaux robustes et de pooling par pyramides spatiales qui prennent en compte l'information spatiale de l'image. L'apprentissage profonds avec agrégation spatiale est utilisé pour apprendre un dictionnaire hiérarchique pour l'encodage de représentations visuelles de niveau intermédiaire. Cette méthode donne des résultats très compétitifs en classification de scènes et d'images. Les dictionnaires visuels appris contiennent diverses informations non-redondantes ayant une structure spatiale cohérente. L'inférence est aussi très rapide. Nous avons par la suite optimisé l'étape de pooling sur la base du codage produit par le dictionnaire hiérarchique précédemment appris en introduisant introduit une nouvelle paramétrisation dérivable de l'opération de pooling qui permet un apprentissage par descente de gradient utilisant l'algorithme de rétro-propagation. Ceci est la première tentative d'unification de l'apprentissage profond et du modèle de sac de mots. Bien que cette fusion puisse sembler évidente, l'union de plusieurs aspects de l'apprentissage profond de représentations visuelles demeure une tache complexe à bien des égards et requiert encore un effort de recherche important.
36
Pellerin, Éric. "Méta-apprentissage des algorithmes génétiques." Thèse, Université du Québec à Trois-Rivières, 2005. http://depot-e.uqtr.ca/1805/1/000131549.pdf.
Full text
37
Bigot, Damien. "Représentation et apprentissage de préférences." Thesis, Toulouse 3, 2015. http://www.theses.fr/2015TOU30031/document.
Full textAbstract:
La modélisation des préférences par le biais de formalismes de représentation compacte fait l'objet de travaux soutenus en intelligence artificielle depuis plus d'une quinzaine d'années. Ces formalismes permettent l'expression de modèles suffisamment flexibles et riches pour décrire des comportements de décision complexes. Pour être intéressants en pratique, ces formalismes doivent de plus permettre l'élicitation des préférences de l'utilisateur, et ce en restant à un niveau admissible d'interaction. La configuration de produits combinatoires dans sa version business to customer et la recherche à base de préférences constituent de bons exemples de ce type de problème de décision où les préférences de l'utilisateur ne sont pas connues a priori. Dans un premier temps, nous nous sommes penchés sur l'apprentissage de GAI-décompositions. Nous verrons qu'il est possible d'apprendre une telle représentation en temps polynomial en passant par un système d'inéquations linéaires. Dans un second temps, nous proposerons une version probabiliste des CP-nets permettant la représentation de préférences multi-utilisateurs afin de réduire le temps nécessaire à l'apprentissage des préférences d'un utilisateur. Nous étudierons les différentes requêtes que l'on peut utiliser avec une telle représentation, puis nous nous pencherons sur la complexité de ces requêtes. Enfin, nous verrons comment apprendre ce nouveau formalisme, soit grâce à un apprentissage hors ligne à partir d'un ensemble d'objets optimaux, soit grâce à un apprentissage en ligne à partir d'un ensemble de questions posées à l'utilisateur--
38
Tokmakov, Pavel. "Apprentissage à partir du mouvement." Thesis, Université Grenoble Alpes (ComUE), 2018. http://www.theses.fr/2018GREAM031/document.
Full textAbstract:
L’apprentissage faiblement supervisé cherche à réduire au minimum l’effort humain requis pour entrainer les modèles de l’état de l’art. Cette technique permet de tirer parti d’une énorme quantité de données. Toutefois, dans la pratique, les méthodes faiblement supervisées sont nettement moins efficaces que celles qui sont totalement supervisées. Plus particulièrement, dans l’apprentissage profond, où les approches de vision par ordinateur sont les plus performantes, elles restent entièrement supervisées, ce qui limite leurs utilisations dans les applications du monde réel. Cette thèse tente tout d’abord de combler le fossé entre les méthodes faiblement supervisées et entièrement supervisées en utilisant l’information de mouvement. Puis étudie le problème de la segmentation des objets en mouvement, en proposant l’une des premières méthodes basées sur l’apprentissage pour cette tâche.Dans une première partie de la thèse, nous nous concentrons sur le problème de la segmentation sémantique faiblement supervisée. Le défi est de capturer de manières précises les bordures des objets et d’éviter les optimums locaux (ex : segmenter les parties les plus discriminantes). Contrairement à la plupart des approches de l’état de l’art, qui reposent sur des images statiques, nous utilisons les données vidéo avec le mouvement de l’objet comme informations importantes. Notre méthode utilise une approche de segmentation vidéo de l’état de l’art pour segmenter les objets en mouvement dans les vidéos. Les masques d’objets approximatifs produits par cette méthode sont ensuite fusionnés avec le modèle de segmentation sémantique appris dans un EM-like framework, afin d’inférer pour les trames vidéo, des labels sémantiques au niveau des pixels. Ainsi, au fur et à mesure que l’apprentissage progresse, la qualité des labels s’améliore automatiquement. Nous intégrons ensuite cette architecture à notre approche basée sur l’apprentissage pour la segmentation de la vidéo afin d’obtenir un framework d’apprentissage complet pour l’apprentissage faiblement supervisé à partir de vidéos.Dans la deuxième partie de la thèse, nous étudions la segmentation vidéo non supervisée, plus précisément comment segmenter tous les objets dans une vidéo qui se déplace indépendamment de la caméra. De nombreux défis tels qu’un grand mouvement de la caméra, des inexactitudes dans l’estimation du flux optique et la discontinuité du mouvement, complexifient la tâche de segmentation. Nous abordons le problème du mouvement de caméra en proposant une méthode basée sur l’apprentissage pour la segmentation du mouvement : un réseau de neurones convolutif qui prend le flux optique comme entrée et qui est entraîné pour segmenter les objets qui se déplacent indépendamment de la caméra. Il est ensuite étendu avec un flux d’apparence et un module de mémoire visuelle pour améliorer la continuité temporelle. Le flux d’apparence tire profit de l’information sémantique qui est complémentaire de l’information de mouvement. Le module de mémoire visuelle est un paramètre clé de notre approche : il combine les sorties des flux de mouvement et d’apparence et agréger une représentation spatio-temporelle des objets en mouvement. La segmentation finale est ensuite produite à partir de cette représentation agrégée. L’approche résultante obtient des performances de l’état de l’art sur plusieurs jeux de données de référence, surpassant la méthode d’apprentissage en profondeur et heuristique simultanéeWeakly-supervised learning studies the problem of minimizing the amount of human effort required for training state-of-the-art models. This allows to leverage a large amount of data. However, in practice weakly-supervised methods perform significantly worse than their fully-supervised counterparts. This is also the case in deep learning, where the top-performing computer vision approaches remain fully-supervised, which limits their usage in real world applications. This thesis attempts to bridge the gap between weakly-supervised and fully-supervised methods by utilizing motion information. It also studies the problem of moving object segmentation itself, proposing one of the first learning-based methods for this task.We focus on the problem of weakly-supervised semantic segmentation. This is especially challenging due to the need to precisely capture object boundaries and avoid local optima, as for example segmenting the most discriminative parts. In contrast to most of the state-of-the-art approaches, which rely on static images, we leverage video data with object motion as a strong cue. In particular, our method uses a state-of-the-art video segmentation approach to segment moving objects in videos. The approximate object masks produced by this method are then fused with the semantic segmentation model learned in an EM-like framework to infer pixel-level semantic labels for video frames. Thus, as learning progresses, the quality of the labels improves automatically. We then integrate this architecture with our learning-based approach for video segmentation to obtain a fully trainable framework for weakly-supervised learning from videos.In the second part of the thesis we study unsupervised video segmentation, the task of segmenting all the objects in a video that move independently from the camera. This task presents challenges such as strong camera motion, inaccuracies in optical flow estimation and motion discontinuity. We address the camera motion problem by proposing a learning-based method for motion segmentation: a convolutional neural network that takes optical flow as input and is trained to segment objects that move independently from the camera. It is then extended with an appearance stream and a visual memory module to improve temporal continuity. The appearance stream capitalizes on the semantic information which is complementary to the motion information. The visual memory module is the key component of our approach: it combines the outputs of the motion and appearance streams and aggregates a spatio-temporal representation of the moving objects. The final segmentation is then produced based on this aggregated representation. The resulting approach obtains state-of-the-art performance on several benchmark datasets, outperforming the concurrent deep learning and heuristic-based methods
39
Barbot, Marie-José. "L'auto-apprentissage en milieu institutionnel." Paris 3, 1993. http://www.theses.fr/1994PA030069.
Full textAbstract:
Les systemes d'auto-apprentissage se developpent sous la double influence de l'evolution des comportements et des nouvelles possibilites technologiques. Les decouvertes effectuees en psychologie cognitive et en neurobiologie soulignent l'importance de l'autonomie dans l'apprentissage. Une enquete aupres de vingt-deux auto-apprenants a permis d'etablir que les apprenants ont besoin d'un soutien que l'institution peut et doit leur proposer notamment a travers la mediation d'un tuteur. L'auto-apprentissage par consequent ne signifie pas la disparition des enseignants mais un nouveau role pour eux. Ils doivent donc recevoir une formation approprieeThe system of auto-learning spreads out because of the double influence of evolution of behaviours and the technological possibilities. The discoveries in cognitive psychology and neurobiology emphasize the importance of the achievment of autonomy in learning. A survey among twenty-two auto-learners allowed to proove that the learners need the support that the etablisment should and must provide to them through a direct exposure that is to say the tutoring or mediated learning experience. Self-learning in institutional surrounding therefore does not mean the withdrawal of the teachers. On the contrary they must play a new part. That is why they must be appropriately trained to this aim
40
Béthune, Louis. "Apprentissage profond avec contraintes Lipschitz." Electronic Thesis or Diss., Université de Toulouse (2023-....), 2024. http://www.theses.fr/2024TLSES014.
Full textAbstract:
Cette thèse explore les caractéristiques et les applications des réseaux Lipschitz dans les tâches d'apprentissage automatique. Tout d'abord, le cadre de "l'optimisation en tant que couche" est présenté, mettant en avant diverses applications, notamment la paramétrisation des couches contraintes Lipschitz. Ensuite, l'expressivité de ces réseaux dans les tâches de classification est étudiée, révélant un compromis précision/robustesse contrôlé par la régularisation entropique de la perte, accompagnée de garanties de généralisation. Par la suite, la recherche se penche sur l'utilisation des fonctions de distance signée comme solution à un problème de transport optimal régularisé, mettant en avant leur efficacité dans l'apprentissage robuste en classe unique et la construction de surfaces implicites neurales. Ensuite, la thèse démontre l'adaptabilité de l'algorithme de rétropropagation pour propager des bornes au lieu de vecteurs, permettant un entraînement confidentiel des réseaux Lipschitz sans entraîner de surcoût en termes de temps d'exécution et de mémoire. Enfin, elle va au-delà des contraintes Lipschitz et explore l'utilisation de contraintes de convexité pour les quantiles multivariésThis thesis explores the characteristics and applications of Lipschitz networks in machine learning tasks. First, the framework of "optimization as a layer" is presented, showcasing various applications, including the parametrization of Lipschitz-constrained layers. Then, the expressiveness of these networks in classification tasks is investigated, revealing an accuracy/robustness tradeoff controlled by entropic regularization of the loss, accompanied by generalization guarantees. Subsequently, the research delves into the utilization of signed distance functions as a solution to a regularized optimal transport problem, showcasing their efficacy in robust one-class learning and the construction of neural implicit surfaces. After, the thesis demonstrates the adaptability of the back-propagation algorithm to propagate bounds instead of vectors, enabling differentially private training of Lipschitz networks without incurring runtime and memory overhead. Finally, it goes beyond Lipschitz constraints and explores the use of convexity constraint for multivariate quantiles
41
Léon, Aurélia. "Apprentissage séquentiel budgétisé pour la classification extrême et la découverte de hiérarchie en apprentissage par renforcement." Electronic Thesis or Diss., Sorbonne université, 2019. http://www.theses.fr/2019SORUS226.
Full textAbstract:
Cette thèse s’intéresse à la notion de budget pour étudier des problèmes de complexité (complexité en calculs, tâche complexe pour un agent, ou complexité due à une faible quantité de données). En effet, l’objectif principal des techniques actuelles en apprentissage statistique est généralement d’obtenir les meilleures performances possibles, sans se soucier du coût de la tâche. La notion de budget permet de prendre en compte ce paramètre tout en conservant de bonnes performances. Nous nous concentrons d’abord sur des problèmes de classification en grand nombre de classes : la complexité en calcul des algorithmes peut être réduite grâce à l’utilisation d’arbres de décision (ici appris grâce à des techniques d’apprentissage par renforcement budgétisées) ou à l’association de chaque classe à un code (binaire). Nous nous intéressons ensuite aux problèmes d’apprentissage par renforcement et à la découverte d’une hiérarchie qui décompose une tâche en plusieurs tâches plus simples, afin de faciliter l’apprentissage et la généralisation. Cette découverte se fait ici en réduisant l’effort cognitif de l’agent (considéré dans ce travail comme équivalent à la récupération et à l’utilisation d’une observation supplémentaire). Enfin, nous abordons des problèmes de compréhension et de génération d’instructions en langage naturel, où les données sont disponibles en faible quantité : nous testons dans ce but l’utilisation jointe d’un agent qui comprend et d’un agent qui génère les instructionsThis thesis deals with the notion of budget to study problems of complexity (it can be computational complexity, a complex task for an agent, or complexity due to a small amount of data). Indeed, the main goal of current techniques in machine learning is usually to obtain the best accuracy, without worrying about the cost of the task. The concept of budget makes it possible to take into account this parameter while maintaining good performances. We first focus on classification problems with a large number of classes: the complexity in those algorithms can be reduced thanks to the use of decision trees (here learned through budgeted reinforcement learning techniques) or the association of each class with a (binary) code. We then deal with reinforcement learning problems and the discovery of a hierarchy that breaks down a (complex) task into simpler tasks to facilitate learning and generalization. Here, this discovery is done by reducing the cognitive effort of the agent (considered in this work as equivalent to the use of an additional observation). Finally, we address problems of understanding and generating instructions in natural language, where data are available in small quantities: we test for this purpose the simultaneous use of an agent that understands and of an agent that generates the instructions
42
Kozlova, Olga. "Apprentissage par renforcement hiérarchique et factorisé." Phd thesis, Université Pierre et Marie Curie - Paris VI, 2010. http://tel.archives-ouvertes.fr/tel-00632968.
Full textAbstract:
Cette thèse a été réalisée dans un contexte de simulation industrielle qui s'intéresse aux problèmes de la modélisation du comportement humain dans les simulateurs d'entraînement militaire ou de sécurité civile. Nous avons abordé cette problématique sous l'angle de l'apprentissage et de la planification dans l'incertain, en modélisant les problèmes que nous traitons comme des problèmes stochastiques de grande taille dans le cadre des Processus de Décision Markoviens (MDP). Les MDP factorisés (FMDP) sont un cadre standard de représentation des problèmes séquentiels dans l'incertain, où l'état du système est décomposé en un ensemble de variables aléatoires. L'apprentissage par renforcement factorisé (FRL) est une approche d'apprentissage indirecte dans les FMDP où les fonctions de transition et de récompense sont inconnues a priori et doivent être apprises sous une forme factorisée. Par ailleurs, dans les problèmes où certaines combinaisons de variables n'existent pas, la représentation factorisée n'empêche pas la représentation de ces états que nous appelons impossibles. Dans la première contribution de cette thèse, nous montrons comment modéliser ce type de problèmes de manière théoriquement bien fondée. De plus, nous proposons une heuristique qui considère chaque état comme impossible tant qu'il n'a pas été visité. Nous en dérivons un algorithme dont les performances sont démontrées sur des problèmes jouet classiques dans la littérature, MAZE6 et BLOCKS WORLD, en comparaison avec l'approche standard. Pour traiter les MDP de grande taille, les MDP hiérarchiques (HMDP) sont aussi basés sur l'idée de la factorisation mais portent cette idée à un niveau supérieur. D'une factorisation d'état des FMDP, les HMDP passent à une factorisation de tâche, où un ensemble de situations similaires (définies par leurs buts) est représenté par un ensemble de sous-tâches partiellement définies. Autrement dit, il est possible de simplifier le problème en le décomposant en sous-problèmes plus petits et donc plus faciles à résoudre individuellement, mais aussi de réutiliser les sous-tâches afin d'accélérer la recherche de la solution globale. Le formalisme des options qui inclut des actions abstraites à durée étendue, permet de modéliser efficacement ce type d'architecture. La deuxième contribution de cette thèse est la proposition de TeXDYNA, un algorithme pour la résolution de MDP de grande taille dont la structure est inconnue. TeXDYNA combine les techniques d'abstraction hiérarchique de l'apprentissage par renforcement hiérarchique (HRL) et les techniques de factorisation de FRL pour décomposer hiérarchiquement le FMDP sur la base de la découverte automatique des sous-tâches directement à partir de la structure du problème qui est elle même apprise en interaction avec l'environnement. Nous évaluons TeXDYNA sur deux benchmarks, à savoir les problèmes TAXI et LIGHT BOX, et nous montrons que combiner l'abstraction d'information contextuelle dans le cadre des FMDP et la construction d'une hiérarchie dans le cadre des HMDP permet une compression très efficace des structures à apprendre, des calculs plus rapides et une meilleure vitesse de convergence. Finalement, nous estimons le potentiel et les limitations de TeXDYNA sur un problème jouet plus représentatif du domaine de la simulation industrielle.
43
Querrec, Ronan. "Apprentissage de procédures en environnements virtuels." Habilitation à diriger des recherches, Université Européenne de Bretagne, 2010. http://tel.archives-ouvertes.fr/tel-00557039.
Full textAbstract:
Mes travaux de recherche s'inscrivent dans le domaine de l'ingénierie des connaissances et de la réalité virtuelle, les environnements virtuels d'apprentissage humain (EVAH) en constituant le cadre applicatif. Depuis ma thèse, mes activités de recherche portent sur la modélisation des connaissances pour les agents autonomes en environnement virtuel. L'objectif est de concevoir des modèles qui permettent l'explicitation des connaissances nécessaires à l'exécution des comportements de ces agents. Ces travaux se placent dans le contexte de la simulation des activités humaines se déroulant en environnement réaliste. Plus précisément, les activités considérées sont les tâches procédurales et collaboratives. Les modèles que je propose permettent d'une part la simulation de ces activités humaines dans un environnement virtuel et permettent d'autre part, à des utilisateurs humains de « prendre la place » des agents en temps réel dans un but de simulation ou de formation. Un tel environnement peut être considéré comme un système complexe du fait du nombre et de l'hétérogénéité des agents qui le peuplent, du fait de leurs nombreuses interactions et de l'intégration de l'humain dans le système. Notre cadre applicatif est l'apprentissage humain. Les connaissances explicitées décrivent alors le modèle « métier » à transmettre mais également les connaissances spécifiques à la didactique ou à la pédagogie qui servent aux comportements d'agents autonomes jouant les rôles du formateur. J'ai proposé mascaret, un ensemble de modèles permettant l'explicitation des connaissances pour les agents peuplant un environnement virtuel. Ces connaissances portent sur la structure et la dynamique de l'environnement ainsi que sur les procédures que peuvent réaliser des équipes de personnels dans cet environnement. Le langage utilisé pour décrire la connaissance métier est uml ; mascaret peut alors être considéré comme un profil spécifique à la conception d'environnement virtuel. Ainsi, un modèle métier écrit à l'aide de mascaret est une instance du méta-modèle mascaret et est donc une donnée manipulable en temps réel dans la simulation. L'avantage d'uml dans ce cadre est qu'il s'agit d'un langage normalisé et graphique ce qui le rend utilisable par des experts d'un métier spécifique mais non expert de la conception informatique. De plus, uml est un langage unifié dans le sens où le même langage, et donc le même outil, permet de décrire l'aspect statique et dynamique du système abordé. L'explicitation de la connaissance grâce à mascaret permet de prototyper et simuler un système complexe. gaspar est un exemple d'application de type serious game que nous avons conçue pour le compte de DCNS. L'intérêt de mascaret dans cette application est d'une part de pouvoir tester rapidement de nouvelles configurations (géométrie du porte-avions, positions des avions, nouvelles procédures) mais également de pouvoir générer automatiquement un bilan du résultat de la simulation (durée d'une procédure, temps d'occupation d'une ressource...). La deuxième utilisation de mascaret que nous avons démontrée est la conception de situations d'apprentissage. Nous proposons pegase qui s'appuie sur les connaissances métier explicites de la simulation pour proposer des assistances pédagogiques adaptées. De même poseidon, permet au formateur de décrire l'exercice et les actions qui devrons y être menées en s'appuyant sur les connaissances métier explicites. Le fait d'utiliser mascaret permet à ces deux modèles d'être complètement indépendants des modèles métier spécifiques.
44
Filippi, Sarah. "Stratégies optimistes en apprentissage par renforcement." Phd thesis, Ecole nationale supérieure des telecommunications - ENST, 2010. http://tel.archives-ouvertes.fr/tel-00551401.
Full textAbstract:
Cette thèse traite de méthodes « model-based » pour résoudre des problèmes d'apprentissage par renforcement. On considère un agent confronté à une suite de décisions et un environnement dont l'état varie selon les décisions prises par l'agent. Ce dernier reçoit tout au long de l'interaction des récompenses qui dépendent à la fois de l'action prise et de l'état de l'environnement. L'agent ne connaît pas le modèle d'interaction et a pour but de maximiser la somme des récompenses reçues à long terme. Nous considérons différents modèles d'interactions : les processus de décisions markoviens, les processus de décisions markoviens partiellement observés et les modèles de bandits. Pour ces différents modèles, nous proposons des algorithmes qui consistent à construire à chaque instant un ensemble de modèles permettant d'expliquer au mieux l'interaction entre l'agent et l'environnement. Les méthodes dites « model-based » que nous élaborons se veulent performantes tant en pratique que d'un point de vue théorique. La performance théorique des algorithmes est calculée en terme de regret qui mesure la différence entre la somme des récompenses reçues par un agent qui connaîtrait à l'avance le modèle d'interaction et celle des récompenses cumulées par l'algorithme. En particulier, ces algorithmes garantissent un bon équilibre entre l'acquisition de nouvelles connaissances sur la réaction de l'environnement (exploration) et le choix d'actions qui semblent mener à de fortes récompenses (exploitation). Nous proposons deux types de méthodes différentes pour contrôler ce compromis entre exploration et exploitation. Le premier algorithme proposé dans cette thèse consiste à suivre successivement une stratégie d'exploration, durant laquelle le modèle d'interaction est estimé, puis une stratégie d'exploitation. La durée de la phase d'exploration est contrôlée de manière adaptative ce qui permet d'obtenir un regret logarithmique dans un processus de décision markovien paramétrique même si l'état de l'environnement n'est que partiellement observé. Ce type de modèle est motivé par une application d'intérêt en radio cognitive qu'est l'accès opportuniste à un réseau de communication par un utilisateur secondaire. Les deux autres algorithmes proposés suivent des stratégies optimistes : l'agent choisit les actions optimales pour le meilleur des modèles possibles parmi l'ensemble des modèles vraisemblables. Nous construisons et analysons un tel algorithme pour un modèle de bandit paramétrique dans un cas de modèles linéaires généralisés permettant ainsi de considérer des applications telles que la gestion de publicité sur internet. Nous proposons également d'utiliser la divergence de Kullback-Leibler pour la construction de l'ensemble des modèles vraisemblables dans des algorithmes optimistes pour des processus de décision markoviens à espaces d'états et d'actions finis. L'utilisation de cette métrique améliore significativement le comportement de des algorithmes optimistes en pratique. De plus, une analyse du regret de chacun des algorithmes permet de garantir des performances théoriques similaires aux meilleurs algorithmes de l'état de l'art.
45
Cleeremans, Axel. "Conscience et apprentissage: une perspective dynamique." Doctoral thesis, Universite Libre de Bruxelles, 2001. http://hdl.handle.net/2013/ULB-DIPOT:oai:dipot.ulb.ac.be:2013/211510.
Full text
46
Maillard, Odalric-Ambrym. "APPRENTISSAGE SÉQUENTIEL : Bandits, Statistique et Renforcement." Phd thesis, Université des Sciences et Technologie de Lille - Lille I, 2011. http://tel.archives-ouvertes.fr/tel-00845410.
Full textAbstract:
Cette thèse traite des domaines suivant en Apprentissage Automatique: la théorie des Bandits, l'Apprentissage statistique et l'Apprentissage par renforcement. Son fil rouge est l'étude de plusieurs notions d'adaptation, d'un point de vue non asymptotique : à un environnement ou à un adversaire dans la partie I, à la structure d'un signal dans la partie II, à la structure de récompenses ou à un modèle des états du monde dans la partie III. Tout d'abord nous dérivons une analyse non asymptotique d'un algorithme de bandit à plusieurs bras utilisant la divergence de Kullback-Leibler. Celle-ci permet d'atteindre, dans le cas de distributions à support fini, la borne inférieure de performance asymptotique dépendante des distributions de probabilité connue pour ce problème. Puis, pour un bandit avec un adversaire possiblement adaptatif, nous introduisons des modèles dépendants de l'histoire et traduisant une possible faiblesse de l'adversaire et montrons comment en tirer parti pour concevoir des algorithmes adaptatifs à cette faiblesse. Nous contribuons au problème de la régression en montrant l'utilité des projections aléatoires, à la fois sur le plan théorique et pratique, lorsque l'espace d'hypothèses considéré est de dimension grande, voire infinie. Nous utilisons également des opérateurs d'échantillonnage aléatoires dans le cadre de la reconstruction parcimonieuse lorsque la base est loin d'être orthogonale. Enfin, nous combinons la partie I et II : pour fournir une analyse non-asymptotique d'algorithmes d'apprentissage par renforcement; puis, en amont du cadre des Processus Décisionnel de Markov, pour discuter du problème pratique du choix d'un bon modèle d'états.
47
Augier, Sébastien. "Apprentissage Supervisé Relationnel par Algorithmes d'Évolution." Phd thesis, Université Paris Sud - Paris XI, 2000. http://tel.archives-ouvertes.fr/tel-00947322.
Full textAbstract:
Cette thèse concerne l'apprentissage de règles relationnelles à partir d'exemples et de contre-exemples, à l'aide d'algorithmes évolutionnaires. Nous étudions tout d'abord un biais de langage offrant une expressivité suffisamment riche pour permettre de couvrir à la fois le cadre de l'apprentissage relationnel par interprétations et les formalismes propositionnels classiques. Bien que le coût de l'induction soit caractérisé par la complexité NP-difficile du test de subsomption pour cette classe de langages, une solution capable de traiter en pratique les problèmes réels complexes est proposée. Le système SIAO1, qui utilise ce biais de langage pour l'apprentissage de règles relationnelles est ensuite présenté. Il est fondé sur une stratégie de recherche évolutionnaire qui se distingue principalement des approches classiques par: - des opérateurs de mutation et de croisement dirigés par la théorie du domaine et par les exemples d'apprentissage; - le respect de la relation d'ordre définie sur le langage. L'évaluation du système sur plusieurs bases faisant référence en apprentissage automatique montre que SIAO1 est polyvalent, se compare favorablement aux autres approches et sollicite peu l'utilisateur en ce qui concerne la spécification de biais de recherche ou d'évaluation. La troisième partie de ce travail propose deux architectures parallèles génériques derivées des modèles maître-esclave asynchrone et du pipeline. Elles sont étudiées dans le cadre de l'extraction de connaissances à partir de données à l'aide de SIAO1 du point de vue de l'accélération qu'elles procurent d'une part et de leur capacité à changer d'échelle d'autre part. Un modèle de prédiction simple mais précis des performances de chacune des architectures parallèles est également proposé.
48
Gandar, Benoît. "Apprentissage actif pour l'approximation de variétés." Phd thesis, Université Blaise Pascal - Clermont-Ferrand II, 2012. http://tel.archives-ouvertes.fr/tel-00954409.
Full textAbstract:
L'apprentissage statistique cherche à modéliser un lien fonctionnel entre deux variables X et Y à partir d'un échantillon aléatoire de réalisations de (X,Y ). Lorsque la variable Y prend un nombre binaire de valeurs, l'apprentissage s'appelle la classification (ou discrimination en français) et apprendre le lien fonctionnel s'apparente à apprendre la frontière d'une variété dans l'espace de la variable X. Dans cette thèse, nous nous plaçons dans le contexte de l'apprentissage actif, i.e. nous supposons que l'échantillon d'apprentissage n'est plus aléatoire et que nous pouvons, par l'intermédiaire d'un oracle, générer les points sur lesquels l'apprentissage de la variété va s'effectuer. Dans le cas où la variable Y est continue (régression), des travaux précédents montrent que le critère de la faible discrépance pour générer les premiers points d'apprentissage est adéquat. Nous montrons, de manière surprenante, que ces résultats ne peuvent pas être transférés à la classification. Dans ce manuscrit, nous proposons alors le critère de la dispersion pour la classification. Ce critère étant difficile à mettre en pratique, nous proposons un nouvel algorithme pour générer un plan d'expérience à faible dispersion dans le carré unité. Après une première approximation de la variété, des approximations successives peuvent être réalisées afin d'affiner la connaissance de celle-ci. Deux méthodes d'échantillonnage sont alors envisageables : le " selective sampling " qui choisit les points à présenter à un oracle parmi un ensemble fini de candidats et l'" adaptative sampling " qui permet de choisir n'importe quels points de l'espace de la variable X. Le deuxième échantillonnage peut être vu comme un passage à la limite du premier. Néanmoins, en pratique, il n'est pas raisonnable d'utiliser cette méthode. Nous proposons alors un nouvel algorithme basé sur le critère de dispersion, menant de front exploitation et exploration, pour approximer une variété.
49
Moura, Simon. "Apprentissage multi-cibles : théorie et applications." Thesis, Université Grenoble Alpes (ComUE), 2018. http://www.theses.fr/2018GREAM085.
Full textAbstract:
Cette thèse traite du problème de l'apprentissage automatique supervisé dans le cas ou l'on considère plusieurs sorties, potentiellement de différent types. Nous proposons d'explorer trois différents axes de recherche en rapport avec ce sujet. Dans un premier temps, nous nous concentrons sur le cas homogène et proposons un cadre théorique pour étudier la consistance des problèmes multi-labels dans le cas de l'utilisation de chaîne de classifieurs. Ensuite, en nous plaçant dans ce cadre, nous proposons une borne de Rademacher sur l'erreur de généralisation pour tous les classifieurs de la chaîne et exposons deux facteurs de dépendance reliant les sorties les unes aux autres. Dans un deuxième temps, nous développons et analysons la performance de modèles en lien avec la théorie proposée. Toujours dans le cadre de l'apprentissage avec plusieurs sorties homogènes, nous proposons un modèle basé sur des réseaux de neurones pour l'analyse de sentiments à grain fin. Enfin, nous proposons un cadre et une étude empirique qui montrent la pertinence de l'apprentissage multi-objectif dans le cas de multiples sorties hétérogènesIn this thesis, we study the problem of learning with multiple outputs related to different tasks, such as classification and ranking. In this line of research, we explored three different axes. First we proposed a theoretical framework that can be used to show the consistency of multi-label learning in the case of classifier chains, where outputs are homogeneous. Based on this framework, we proposed Rademacher generalization error bound made by any classifier in the chain and exhibit dependency factors relating each output to the others. As a result, we introduced multiple strategies to learn classifier chains and select an order for the chain. Still focusing on the homogeneous multi-output framework, we proposed a neural network based solution for fine-grained sentiment analysis and show the efficiency of the approach. Finally, we proposed a framework and an empirical study showing the interest of learning with multiple tasks, even when the outputs are of different types
50
Martinez, Medina Lourdes. "Optimisation des requêtes distribuées par apprentissage." Thesis, Grenoble, 2014. http://www.theses.fr/2014GRENM015.
Full textAbstract:
Les systèmes de gestion de données distribuées deviennent de plus en plus complexes. Ils interagissent avec des réseaux de dispositifs fixes et/ou mobiles, tels que des smartphones ou des tablettes, dispositifs hétérogènes, autonomes et possédant des limitations physiques. Ces dispositifs exécutent des applications permettant l'interaction des usagers (i.e. jeux virtuels, réseaux sociaux). Ces applications produisent et consomment des données à tout moment voire même en continu. Les caractéristiques de ces systèmes ajoutent des dimensions au problème de l'optimisation de requêtes, telles que la variabilité des objectifs d'optimisation, l'absence d'information sur les données (métadonnées) ou le manque d'une vision globale du système. Les techniques traditionnelles d'optimisation des requêtes n'abordent pas (ou très peu) les systèmes autonomes. Elles se basent sur les métadonnées et font des hypothèses très fortes sur le comportement du système. En plus, la majorité de ces techniques d'optimisation ciblent uniquement l'optimisation du temps d'exécution. La difficulté d'évaluation des requêtes dans les applications modernes incite à revisiter les techniques traditionnelles d'optimisation. Cette thèse fait face aux défis décris précédemment par l'adaptation du paradigme du Raisonnement à partir de cas (CBR pour Case-Based Reasoning) au problème de l'optimisation des requêtes. Cette adaptation, associée à une exploration pseudo-aléatoire de l'espace de solutions fournit un moyen pour optimiser des requêtes dans les contextes possédant très peu voire aucune information sur les données. Cette approche se concentre sur l'optimisation de requêtes en utilisant les cas générés précédemment dans l'évaluation de requêtes similaires. Un cas de requête et composé par : (i) la requête (le problème), (ii) le plan d'exécution (la solution) et (iii) les mesures de ressources utilisés par l'exécution du plan (l'évaluation de la solution). Cette thèse aborde également la façon que le processus CBR interagit avec le processus de génération de plan d'exécution de la requête qui doit permettre d'explorer l'espace des solutions. Ce processus utilise les heuristiques classiques et prennent des décisions de façon aléatoire lorsque les métadonnées viennent à manquer (e.g. pour l'ordre des jointures, la sélection des algorithmes, voire même le choix des protocoles d'acheminement de messages). Ce processus exploite également le CBR pour générer des plans pour des sous-requêtes, accélérant ainsi l'apprentissage de nouveaux cas. Les propositions de cette thèse ont été validées à l'aide du prototype CoBRA développé dans le contexte du projet UBIQUESTDistributed data systems are becoming increasingly complex. They interconnect devices (e.g. smartphones, tablets, etc.) that are heterogeneous, autonomous, either static or mobile, and with physical limitations. Such devices run applications (e.g. virtual games, social networks, etc.) for the online interaction of users producing / consuming data on demand or continuously. The characteristics of these systems add new dimensions to the query optimization problem, such as multi-optimization criteria, scarce information on data, lack of global system view, among others. Traditional query optimization techniques focus on semi (or not at all) autonomous systems. They rely on information about data and make strong assumptions about the system behavior. Moreover, most of these techniques are centered on the optimization of execution time only. The difficulty for evaluating queries efficiently on nowadays applications motivates this work to revisit traditional query optimization techniques. This thesis faces these challenges by adapting the Case Based Reasoning (CBR) paradigm to query processing, providing a way to optimize queries when there is no prior knowledge of data. It focuses on optimizing queries using cases generated from the evaluation of similar past queries. A query case comprises: (i) the query, (ii) the query plan and (iii) the measures (computational resources consumed) of the query plan. The thesis also concerns the way the CBR process interacts with the query plan generation process. This process uses classical heuristics and makes decisions randomly (e.g. when there are no statistics for join ordering and selection of algorithms, routing protocols). It also (re)uses cases (existing query plans) for similar queries parts, improving the query optimization, and therefore evaluation efficiency. The propositions of this thesis have been validated within the CoBRa optimizer developed in the context of the UBIQUEST project