Etude des propriétés d’approximation des réseaux d’apprentissage approfondie / Bouarouri ,Nadjima  

Public ISBD Titre : Etude des propriétés d’approximation des réseaux d’apprentissage approfondie Type de document : texte imprimé Auteurs : Bouarouri ,Nadjima, Auteur ; Djaghloul,H, Directeur de thèse Editeur : Setif:UFA Année de publication : 2019 Importance : 1 vol (44 f .) Format : 29 cm Langues : Français (fre) Catégories : Mathématique Mots-clés : Mathématique Index. décimale : 510 Mathématique Résumé : Apprentissage profond est un sous-domaine de l’apprentissage automatique concerné par des algorithmes inspirés de la structure et de la fonction du cerveau, appelés réseaux de neurones artificiels. Qui a permis des avancées importantes en intelligence artificielle dans les dernières années. L'apprentissage profond s'applique à divers secteurs des NTIC comme : la reconnaissance visuelle, la robotique, la bioinformatique, la sécurité, la santé et la traduction…etc. Nous avons également étudié les définitions et les types d’apprentissage et les réseaux de neurones, et la théorie et les méthodes d’approximation. Enfin l’approximation d’une fonction minimum par les réseaux de neurones. Note de contenu : Sommaire Table des mati`eres 1 Table des figures 2 1 l’apprentissage approfondi pour les r´eseaux neurones convolutions 4 1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4 1.2 L’apprentissage automatique . . . . . . . . . . . . . . . . . . . . . . . 4 1.3 L’apprentissage profond . . . . . . . . . . . . . . . . . . . . . . . . . . 6 1.4 Les r´eseaux de neurones . . . . . . . . . . . . . . . . . . . . . . . . . . 7 1.5 Architectures de r´eseaux de neurones profonds : . . . . . . . . . . . . . 11 1.6 Quelques explications sur les CNNs : . . . . . . . . . . . . . . . . . . . 12 1.7 Diff´erence entre les r´eseaux de neurones et les r´eseaux de neurones d’apprentissage en profondeur . . . . . . . . . . . . . . . . . . . . . . . 13 1.8 Avantage de l’apprentissage profond . . . . . . . . . . . . . . . . . . . 14 1.9 conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15 2 M´ethodes d’approximation 16 2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 2.2 Approximation par les polynˆomes alg´ebriques . . . . . . . . . . . . . . 17 2.3 Polynˆome trigonom´etrique . . . . . . . . . . . . . . . . . . . . . . . . . 18 2.4 Les m´ethodes d’approximation . . . . . . . . . . . . . . . . . . . . . . . 20 2.5 Approximation de la fonction des moindres carr´es . . . . . . . . . . . . 23 2.6 Transformation de Fourier . . . . . . . . . . . . . . . . . . . . . . . . . 24 2.7 M´ethodes d’interpolation . . . . . . . . . . . . . . . . . . . . . . . . . . 25 2.8 Approximation de Tchebychev . . . . . . . . . . . . . . . . . . . . . . 27 3 ´Etude exp´erimental approximation de l’apprentissage approfondi 31 3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31 3.2 Plates-formes de mise en oeuvre : . . . . . . . . . . . . . . . . . . . . . 32 3.3 probl`emes profonds d’am´elioration de la performance des r´eseaux de neurones d’apprentissage en profondeur . . . . . . . . . . . . . . . . . 33 3.4 Techniques d’am´elioration de la performance DLN . . . . . . . . . . . . 34 3.5 Les r´egressions comme approximation . . . . . . . . . . . . . . . . . . 34 3.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43 Bibliographie 44 Côte titre : MAM/0376 En ligne : https://drive.google.com/file/d/1XbE7pKQHzZrc9MAZlphWAAnMYNRMBkiz/view?usp=shari [...] Format de la ressource électronique : pdf Etude des propriétés d’approximation des réseaux d’apprentissage approfondie [texte imprimé] / Bouarouri ,Nadjima, Auteur ; Djaghloul,H, Directeur de thèse . - [S.l.] : Setif:UFA, 2019 . - 1 vol (44 f .) ; 29 cm. Langues : Français (fre) Catégories : Mathématique Mots-clés : Mathématique Index. décimale : 510 Mathématique Résumé : Apprentissage profond est un sous-domaine de l’apprentissage automatique concerné par des algorithmes inspirés de la structure et de la fonction du cerveau, appelés réseaux de neurones artificiels. Qui a permis des avancées importantes en intelligence artificielle dans les dernières années. L'apprentissage profond s'applique à divers secteurs des NTIC comme : la reconnaissance visuelle, la robotique, la bioinformatique, la sécurité, la santé et la traduction…etc. Nous avons également étudié les définitions et les types d’apprentissage et les réseaux de neurones, et la théorie et les méthodes d’approximation. Enfin l’approximation d’une fonction minimum par les réseaux de neurones. Note de contenu : Sommaire Table des mati`eres 1 Table des figures 2 1 l’apprentissage approfondi pour les r´eseaux neurones convolutions 4 1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4 1.2 L’apprentissage automatique . . . . . . . . . . . . . . . . . . . . . . . 4 1.3 L’apprentissage profond . . . . . . . . . . . . . . . . . . . . . . . . . . 6 1.4 Les r´eseaux de neurones . . . . . . . . . . . . . . . . . . . . . . . . . . 7 1.5 Architectures de r´eseaux de neurones profonds : . . . . . . . . . . . . . 11 1.6 Quelques explications sur les CNNs : . . . . . . . . . . . . . . . . . . . 12 1.7 Diff´erence entre les r´eseaux de neurones et les r´eseaux de neurones d’apprentissage en profondeur . . . . . . . . . . . . . . . . . . . . . . . 13 1.8 Avantage de l’apprentissage profond . . . . . . . . . . . . . . . . . . . 14 1.9 conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15 2 M´ethodes d’approximation 16 2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 2.2 Approximation par les polynˆomes alg´ebriques . . . . . . . . . . . . . . 17 2.3 Polynˆome trigonom´etrique . . . . . . . . . . . . . . . . . . . . . . . . . 18 2.4 Les m´ethodes d’approximation . . . . . . . . . . . . . . . . . . . . . . . 20 2.5 Approximation de la fonction des moindres carr´es . . . . . . . . . . . . 23 2.6 Transformation de Fourier . . . . . . . . . . . . . . . . . . . . . . . . . 24 2.7 M´ethodes d’interpolation . . . . . . . . . . . . . . . . . . . . . . . . . . 25 2.8 Approximation de Tchebychev . . . . . . . . . . . . . . . . . . . . . . 27 3 ´Etude exp´erimental approximation de l’apprentissage approfondi 31 3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31 3.2 Plates-formes de mise en oeuvre : . . . . . . . . . . . . . . . . . . . . . 32 3.3 probl`emes profonds d’am´elioration de la performance des r´eseaux de neurones d’apprentissage en profondeur . . . . . . . . . . . . . . . . . 33 3.4 Techniques d’am´elioration de la performance DLN . . . . . . . . . . . . 34 3.5 Les r´egressions comme approximation . . . . . . . . . . . . . . . . . . 34 3.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43 Bibliographie 44 Côte titre : MAM/0376 En ligne : https://drive.google.com/file/d/1XbE7pKQHzZrc9MAZlphWAAnMYNRMBkiz/view?usp=shari [...] Format de la ressource électronique : pdf

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
MAM/0376	MAM/0376	Mémoire	Bibliothéque des sciences	Français	Disponible Disponible

---

1 (1 - 1 / 1)