Toubkal : Le Catalogue National des Thèses et Mémoires
Modèles Stochastiques et Amélioration des algorithmes d'apprentissages : Régularisation et estimation des paramètres dans les RNA
dc.contributor.author | En Naïmani Zakariae | |
dc.description.collaborator | Qjidaa, Hassan (Président) | |
dc.description.collaborator | Ezzaki, Fatima (Rapporteur) | |
dc.description.collaborator | Roukhe, Ahmed (Rapporteur) | |
dc.description.collaborator | El Afia, Abdellatif (Rapporteur) | |
dc.description.collaborator | Benabbou, Abderrahim (Examinateur) | |
dc.description.collaborator | Hilali, Abdelmajid (Examinateur) | |
dc.description.collaborator | El Moutaouakil, Karim (Examinateur) | |
dc.description.collaborator | Ettaouil, Mohamed (Directeur de la thèse) | |
dc.description.collaborator | Massrar, Mohamed (Co-Directeur de la thèse) | |
dc.date.accessioned | 2018-12-25T09:38:24Z | |
dc.date.available | 2018-12-25T09:38:24Z | |
dc.date.issued | 2018-03-03 | |
dc.identifier.uri | http://toubkal.imist.ma/handle/123456789/11686 | |
dc.description.abstract | Les modèles neuronaux ne cessent de prouver leur efficacité dans plusieurs domaines d'application. Néanmoins, ils souffrent du problème de choix du modèle qui a une grande influence sur la phase d'apprentissage de ces derniers. Le travail de recherche exposé dans cette thèse traite deux problèmes d'actualité : le choix du modèle et l'initialisation des paramètres pour les modèles neuronaux classiques et probabilistes, notamment, pour les cartes auto-organisatrices déterministes et probabilistes ainsi que pour les modèles de mélanges Gaussiens. Pour résoudre ce problème de choix du modèle, qui consiste à trouver le nombre de neurones de la carte auto-organisatrice déterministe et probabiliste ainsi que ses paramètres initiaux, nous proposons des modèles mathématiques non linéaires sous contraintes à variables mixtes. Nous proposons également une approche ascendante qui nous permet de lier la résolution du problème de la dégénérescence, dans les cartes auto-organisatrices probabilistes ainsi que dans les modèles de mélanges gaussiens, à la résolution du problème de choix des paramètres des modèles. Par ailleurs, l'optimalité des architectures des modèles proposés, nous a aidé à développer trois systèmes originaux pour le traitement automatique de la parole (reconnaissance et compression). | fr_FR |
dc.language.iso | fr | fr_FR |
dc.publisher | Université Sidi Mohamed Ben Abdellah, Faculté des Sciences et Techniques - Saïs -, Fès | fr_FR |
dc.subject | Mathématiques | fr_FR |
dc.subject | Informatique | fr_FR |
dc.subject | Réseau de neurone artificiel | fr_FR |
dc.subject | Carte auto-organisatrice | fr_FR |
dc.subject | Modèle de Markov | fr_FR |
dc.subject | Carte auto-organisatrice probabiliste | fr_FR |
dc.subject | Apprentissage automatique | fr_FR |
dc.subject | Modèle de mélange | fr_FR |
dc.subject | Architecture neuronale | fr_FR |
dc.subject | Compression de la parole | fr_FR |
dc.subject | Dégénérescence | fr_FR |
dc.title | Modèles Stochastiques et Amélioration des algorithmes d'apprentissages : Régularisation et estimation des paramètres dans les RNA | fr_FR |
dc.description.laboratoire | Modélisation et Calcul Scientifique, (LAB.) | fr_FR |
Files in this item
Files | Size | Format | View | |
---|---|---|---|---|
Document indisponible1.doc | 22.52Kb | Microsoft Word |
View/ |
|