les Thèses Soutenues à l'USTO MB
vous cherchez une thèse?
A partir de cette page vous pouvez :
Retourner au premier écran avec les dernières notices... | Votre compte |
Détail de l'auteur
Auteur SIDAOUI Boutkhil
Documents disponibles écrits par cet auteur
Faire une suggestion Affiner la rechercheContribution à la résolution des problèmes de classification multi- classes par les techniques d’optimisation combinatoire / SIDAOUI Boutkhil
Titre : Contribution à la résolution des problèmes de classification multi- classes par les techniques d’optimisation combinatoire Type de document : document électronique Auteurs : SIDAOUI Boutkhil, Auteur Année de publication : 2017 Importance : 124 p. Accompagnement : CD Langues : Français (fre) Catégories : Informatique:informatique Mots-clés : Apprentissage Artificiel, SVM multi-classes, Optimisation combinatoire, Algorithmes génétiques, Recherche à voisinage variable, Arbre binaire Résumé : Dans cette thèse, nous proposons les performances d’un paradigme pour la résolution des problèmes de classification multi-classes par les machines à vecteurs de support (SVM), afin de minimiser l’erreur de généralisation, de réduire la complexité des SVM multi-classes et de les comparer à celles des méthodes classique de la littérature.
Le paradigme proposé consiste à construire un arbre binaire pour SVM multi-classes en utilisant deux rincipes de base: lepremièr principe s’applique à la technique du partitionnement selon les critères de classification naturelle (Séparation et homogénéité) pour construire une approche appelée OVA Tree Multiclass, optimisée par la méthode de Recherche à Voisinage Variable. Le second principe, nommé GA Tree Multiclass, consiste à construire un arbre binaire par les algorithmes génétiques, pour obtenir un arbre optimal.
Nos deux approches OVA TreeMulticlass et GATreeMulticlasssont sont plus précises dans la construction de l'arbre. En effet, dans la phase de leur test ,et en raison de la complexité logarithmique, elles sont plus rapide que les autres méthodes, plus pariculièrement pour des problèmes ayant un nombre de classes important.
Dans ce contexte, plusieurs corpus sont utilisés pour évaluer notre travail; les ensembles de données; 20 voyelles du corpus TIMIT, le corpus ISOLET de 26 lettres ou classes, dans le domaine de la reconnaissance de la parole. Le corpus MNIST de 10 catégories, Optdigits et Pendigits de 10 classes pour chacun, dans le domaine de la reconnaissance des chiffres manuscrites.
Les résultas obtenus sont comparables à l'état de l'art, en particulier les résultats obtenus par SVM avec la stratégie un-contre-un. En outre, le temps d’apprentissage et le nombre de vecteurs de support, déterminant la durée de test, sont également réduits par rapport à d'autres méthodes.
Directeur de thèse : SADOUNI Kaddour Contribution à la résolution des problèmes de classification multi- classes par les techniques d’optimisation combinatoire [document électronique] / SIDAOUI Boutkhil, Auteur . - 2017 . - 124 p. + CD.
Langues : Français (fre)
Catégories : Informatique:informatique Mots-clés : Apprentissage Artificiel, SVM multi-classes, Optimisation combinatoire, Algorithmes génétiques, Recherche à voisinage variable, Arbre binaire Résumé : Dans cette thèse, nous proposons les performances d’un paradigme pour la résolution des problèmes de classification multi-classes par les machines à vecteurs de support (SVM), afin de minimiser l’erreur de généralisation, de réduire la complexité des SVM multi-classes et de les comparer à celles des méthodes classique de la littérature.
Le paradigme proposé consiste à construire un arbre binaire pour SVM multi-classes en utilisant deux rincipes de base: lepremièr principe s’applique à la technique du partitionnement selon les critères de classification naturelle (Séparation et homogénéité) pour construire une approche appelée OVA Tree Multiclass, optimisée par la méthode de Recherche à Voisinage Variable. Le second principe, nommé GA Tree Multiclass, consiste à construire un arbre binaire par les algorithmes génétiques, pour obtenir un arbre optimal.
Nos deux approches OVA TreeMulticlass et GATreeMulticlasssont sont plus précises dans la construction de l'arbre. En effet, dans la phase de leur test ,et en raison de la complexité logarithmique, elles sont plus rapide que les autres méthodes, plus pariculièrement pour des problèmes ayant un nombre de classes important.
Dans ce contexte, plusieurs corpus sont utilisés pour évaluer notre travail; les ensembles de données; 20 voyelles du corpus TIMIT, le corpus ISOLET de 26 lettres ou classes, dans le domaine de la reconnaissance de la parole. Le corpus MNIST de 10 catégories, Optdigits et Pendigits de 10 classes pour chacun, dans le domaine de la reconnaissance des chiffres manuscrites.
Les résultas obtenus sont comparables à l'état de l'art, en particulier les résultats obtenus par SVM avec la stratégie un-contre-un. En outre, le temps d’apprentissage et le nombre de vecteurs de support, déterminant la durée de test, sont également réduits par rapport à d'autres méthodes.
Directeur de thèse : SADOUNI Kaddour Exemplaires
Code-barres Cote Support Localisation Section Disponibilité 4604 02-08-444 Version numérique et papier Bibliothèque Centrale Thèse de Doctorat Exclu du prêt Documents numériques
Contribution à la résolution des problèmes de classification multi- classes par les techniques d’optimisation combinatoireAdobe Acrobat PDF
BUC USTOMB'Thèses
Service Thèse de la BUC met à votre votre disposition L'ensemble des thèses de doctorat et mémoires de magister soutenues à l'USTO MB
Adresse
BUC USTOMB'ThèsesBibliothèque centrale USTOMB
BP 1505 EL M'Naouer USTO ORAN
Algérie
(213)041627180
contact