Documents disponibles écrits par cet auteur

Apprentissage génératif connexionniste pour la classification des signaux complexes sous contraintes / BENDAHMANE Abderrahmane 

Public ISBD Titre : Apprentissage génératif connexionniste pour la classification des signaux complexes sous contraintes Type de document : document électronique Auteurs : BENDAHMANE Abderrahmane, Auteur ; BENYETTOU Abdelkader, Directeur de thèse Année de publication : 19-02-2018 Accompagnement : CD Langues : Français (fre) Catégories : Informatique:intelligence artificielle Mots-clés : Algorithme Mimétiques Parallèles, Classification du Texte, Images Aériennes, Sélection et Pondération d’Attributs, Machines à Vecteurs de Support, Apprentissage profond. Parallel Mimetic Algorithm, Text Categorization, Aerial Images, Feature Selection & Weighting, Support Vector Machine, Deep Learning. Résumé : Dans cette thèse, on propose une approche mimétique pour l’apprentissage et la génération de représentations optimisées de données complexes à travers la sélection et la pondération simultanées des attributs basées sur une hybridation entre une approche évolutionnaire et l’apprentissage sous contraintes des machines à vecteur de support. Cette technique a été expérimentée sur l’optimisation de la classification des documents web ainsi que des images aériennes. Cependant, les représentations usuelles des données complexes engendrent des matrices de très grandes dimensionnalités dont le traitement par une approche mimétique peut s’avérer très lourd en temps de calcul lors de la phase d’apprentissage. Dans ce travail, on propose une implémentation parallèle de l’algorithme proposé basée sur les modèles d’îlots afin de palier à ce problème. Nos expériences sur plusieurs benchmarks : Reuters-21578, 7Sectors, Webkb et UCMerced LandUse ont montré qu’on a réduit significativement le temps d’exécution ainsi que le nombre d’attributs avec une nette amélioration des performances en classification. In this thesis, we propose a mimetic approach for learning and generating optimized complex data representations through simultaneous weighting and feature selection based on a combination between an evolutionary algorithm and Support Vector Machines to improve web documents and aerial images categorization. However, usual representations generate high dimensionality matrix, which processed with a mimetic approach, may increase drastically the processing time in training step. In this work, we present a parallel implementation of the proposed algorithm based on an Island model topology. Experiments on well-known datasets: Reuters-21578, 7Sectors, Webkb and UCMerced LandUse show that we have significantly reduced the set of features and computing time while improving categorization performance. Apprentissage génératif connexionniste pour la classification des signaux complexes sous contraintes [document électronique] / BENDAHMANE Abderrahmane, Auteur ; BENYETTOU Abdelkader, Directeur de thèse . - 19-02-2018 . -  + CD. Langues : Français (fre) Catégories : Informatique:intelligence artificielle Mots-clés : Algorithme Mimétiques Parallèles, Classification du Texte, Images Aériennes, Sélection et Pondération d’Attributs, Machines à Vecteurs de Support, Apprentissage profond. Parallel Mimetic Algorithm, Text Categorization, Aerial Images, Feature Selection & Weighting, Support Vector Machine, Deep Learning. Résumé : Dans cette thèse, on propose une approche mimétique pour l’apprentissage et la génération de représentations optimisées de données complexes à travers la sélection et la pondération simultanées des attributs basées sur une hybridation entre une approche évolutionnaire et l’apprentissage sous contraintes des machines à vecteur de support. Cette technique a été expérimentée sur l’optimisation de la classification des documents web ainsi que des images aériennes. Cependant, les représentations usuelles des données complexes engendrent des matrices de très grandes dimensionnalités dont le traitement par une approche mimétique peut s’avérer très lourd en temps de calcul lors de la phase d’apprentissage. Dans ce travail, on propose une implémentation parallèle de l’algorithme proposé basée sur les modèles d’îlots afin de palier à ce problème. Nos expériences sur plusieurs benchmarks : Reuters-21578, 7Sectors, Webkb et UCMerced LandUse ont montré qu’on a réduit significativement le temps d’exécution ainsi que le nombre d’attributs avec une nette amélioration des performances en classification. In this thesis, we propose a mimetic approach for learning and generating optimized complex data representations through simultaneous weighting and feature selection based on a combination between an evolutionary algorithm and Support Vector Machines to improve web documents and aerial images categorization. However, usual representations generate high dimensionality matrix, which processed with a mimetic approach, may increase drastically the processing time in training step. In this work, we present a parallel implementation of the proposed algorithm based on an Island model topology. Experiments on well-known datasets: Reuters-21578, 7Sectors, Webkb and UCMerced LandUse show that we have significantly reduced the set of features and computing time while improving categorization performance.

Exemplaires

Code-barres	Cote	Support	Localisation	Section	Disponibilité
1469	02-08-454	Version numérique et papier	Bibliothèque USTOMB	Thèse de Doctorat	Exclu du prêt

Documents numériques

02-08-454.pdf Adobe Acrobat PDF