Andere Kunden interessierten sich auch für
![Étude de l¿apprentissage des règles par Boosting de concepts formels]( "Étude de l¿apprentissage des règles par Boosting de concepts formels")
Étude de l¿apprentissage des règles par Boosting de concepts formels26,99 €![Apprentissage par la pratique des notions de l¿orienté objet avec java]( "Apprentissage par la pratique des notions de l¿orienté objet avec java")
Apprentissage par la pratique des notions de l¿orienté objet avec java39,99 €![La transformation digitale au c¿ur de la formation par apprentissage]( "La transformation digitale au c¿ur de la formation par apprentissage")
La transformation digitale au c¿ur de la formation par apprentissage51,99 €![Modélisation et apprentissage des préférences par réseaux de neurones]( "Modélisation et apprentissage des préférences par réseaux de neurones")
Modélisation et apprentissage des préférences par réseaux de neurones51,99 €![Analyse de Données et Apprentissage Automatique]( "Analyse de Données et Apprentissage Automatique")
Analyse de Données et Apprentissage Automatique59,99 €![Traitement automatique et apprentissage des langues par ordinateur]( "Traitement automatique et apprentissage des langues par ordinateur")
Traitement automatique et apprentissage des langues par ordinateur63,99 €![Modélisation et apprentissage de synergies]( "Modélisation et apprentissage de synergies")
Modélisation et apprentissage de synergies38,99 €
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.