Nous utilisons des cookies pour améliorer votre expérience. Pour nous conformer à la nouvelle directive sur la vie privée, nous devons demander votre consentement à l’utilisation de ces cookies. En savoir plus.
Apprentissage d'ensemble de Regles par Analyse de Concepts Formels
Univ Europeenne - EAN : 9783841776501
Édition papier
EAN : 9783841776501
Paru le : 1 nov. 2018
55,90 €
52,99 €
Disponible
Pour connaître votre prix et commander, identifiez-vous
Notre engagement qualité
-
Livraison gratuite
en France sans minimum
de commande -
Manquants maintenus
en commande
automatiquement -
Un interlocuteur
unique pour toutes
vos commandes -
Toutes les licences
numériques du marché
au tarif éditeur -
Assistance téléphonique
personalisée sur le
numérique -
Service client
Du Lundi au vendredi
de 9h à 18h
- EAN13 : 9783841776501
- Réf. éditeur : 2515811
- Editeur : Univ Europeenne
- Date Parution : 1 nov. 2018
- Disponibilite : Disponible
- Barème de remise : NS
- Nombre de pages : 144
- Format : H:229 mm L:152 mm E:9 mm
- Poids : 222gr
- Interdit de retour : Retour interdit
- Résumé : Mes recherches s'inscrivent dans le cadre de l'amélioration de la performance d'un classifieur basé sur l'Analyse de Concepts Formels par des techniques d'ensemble. Nos travaux consistent alors à chercher et à élaborer de nouvelles approches et techniques dans le domaine de l'apprentissage supervisé. Récemment, un grand nombre de travaux en apprentissage supervisé ont porté sur les méthodes dites d'ensembles: séquentielles et parallèles. Nous avons proposé une approche adaptative d'apprentissage séquentiel de règles de classification basée sur le Boosting de Concepts Formels. Sachant que le Boosting favorise activement la diversité des classifieurs, nous avons proposé d'arrêter le Boosting des classifieurs dès que l'ensemble de classifieurs commence à perdre leur diversité. Cette approche de Boosting a la particularité de décider le nombre d'itérations selon la diversité évolutive des classifieurs générés. Des travaux récents encouragent l'utilisation de l'apprentissage parallèle et en particulier l'apprentissage à partir des données stratifiées. Nous avons proposé une approche pour générer des ensembles de classifieurs parallèles.
