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.
Parallélisation de problèmes d''apprentissage
Univ Europeenne - EAN : 9786131522444
Édition papier
EAN : 9786131522444
Paru le : 4 août 2010
39,00 €
36,97 €
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 : 9786131522444
- Réf. fournisseur : 7087111
- Editeur : Univ Europeenne
- Date Parution : 4 août 2010
- Disponibilite : Disponible
- Barème de remise : NS
- Nombre de pages : 108
- Format : H:229 mm L:152 mm E:7 mm
- Poids : 170gr
- Interdit de retour : Retour interdit
- Résumé : Les travaux présentés dans cette thèse s''inscrivent dans un projet lié à la radiothérapie externe. L''objectif est de mettre au point un moteur de calcul permettant une évaluation précise et concise d''un dépôt de dose lors d''une irradiation. Nous avons construit un moteur de calcul reposant sur l''utilisation des réseaux de neurones. Nous avons développé un algorithme d''apprentissage pour les réseaux de neurones spécifiquement conçu pour la prise en charge des données liées à la radiothérapie externe. Puis, nos travaux ont consisté en la réalisation d''algorithmes permettant l''évaluation des doses déposées. La première partie a donc porté sur la mise au point de l''algorithme d''apprentissage des réseaux de neurones. Nous nous sommes basés sur une construction incrémentale du réseau. Puis, pour permettre une prise en charge des nombreux paramètres liés à notre domaine d''application, et du volume des données nécessaires à un apprentissage rigoureux, nous nous sommes attachés à paralléliser notre algorithme. Nous avons obtenu un algorithme d''apprentissage incrémental et parallèle pouvant être déployé de manière efficace sur une grappe de calcul non-fiable.
