Amélioration des méthodes d'estimation des hyperparamètres pour les techniques d'apprentissage machine
fr
Loading...
Authors
Collections
Journal Title
Journal ISSN
Volume Title
Publisher
Faculté des Sciences et Techniques - Fès
Department
Supervisor
Date
Abstract
Les réseaux de neurones profonds (DNNs) se sont imposés comme des outils puissants dans divers domaines, révolutionnant les industries avec des percées dans des tâches telles que la classification
d’images, le diagnostic médical et la traduction de langues. Cependant, réaliser leur plein potentiel nécessite un réglage minutieux des hyperparamètres, qui impacte significativement les performances du modèle. Le réglage des hyperparamètres est crucial mais difficile, impliquant l’exploration de vastes espaces de configuration. Malgré ces défis, les avancées dans les techniques d’optimisation et les ressources informatiques permettent un réglage efficace des DNNs. Des techniques telles que la recherche en grille, la recherche aléatoire, l’optimisation bayésienne et les algorithmes évolutifs facilitent l’obtention de résultats supérieurs avec moins d’efforts manuels.
Exploiter efficacement les DNNs et le réglage des hyperparamètres promet d’énormes récompenses.
La recherche continue et l’innovation dans les architectures de DNN et les méthodes d’optimisation stimuleront davantage les progrès en intelligence artificielle et en apprentissage automatique, améliorant notre capacité à résoudre des problèmes du monde réel.
De plus, cette thèse présente des contributions innovantes dans l’optimisation des hyperparamètres
pour les réseaux neurones profonds, avec un accent particulier sur les Perceptrons Multicouches (MLP) et les Réseaux Neurones Convolutifs (CNN). Tout d’abord, l’approche MLPGA/ BP adresse les défis liés à la prédiction de la maladie hypothyroïdienne en fusionnant l’algorithme génétique évolutif (GA) et la technique de rétropropagation (BP) pour affiner les poids initiaux des réseaux neurones MLP. En tirant parti des forces combinées de GA et BP, ce modèle vise à améliorer à la fois la capacité de généralisation et la précision dans la classification de l’hypothyroïdie. Deuxièmement, la thèse présente MLPRGA+5, une méthode novatrice et efficace pour optimiser les hyperparamètres des réseaux neurones MLP en utilisant l’algorithme génétique codé en réel (RCGA). En combinant RCGA avec des opérateurs tels que SBX et la mutation polynomiale, l’approche navigue avec succès dans le paysage complexe des hyperparamètres, équilibrant précision et complexité. Cela élargit les possibilités d’optimisation pour les MLP, fournissant une méthode efficace pour les tâches de classification et contribuant aux progrès en apprentissage profond. Troisièmement, une méthode innovante pour la détection précoce du diabète sucré est présentée, utilisant des réseaux neurones convolutifs profonds, avec un accent sur l’architecture des réseaux neurones convolutionnels 1D (1D-CNNs). Cette approche intègre l’algorithme génétique évolutif (GA) avec les techniques d’apprentissage profond (DL) pour ajuster finement les hyperparamètres du modèle CNN. Cette combinaison innovante vise à améliorer les performances globales du modèle, fournissant une solution affinée et optimisée pour la tâche cruciale de la détection précoce du carcinome mammaire. Ces contributions contribuent aux progrès continus en
intelligence artificielle et offrent des solutions efficaces pour les problèmes du monde réel.
Description
Keywords
Réseaux de neurones profonds, , réseaux de neurones convolutionnels, , réglage des hyperparamètres,, optimisation des poids initiaux, , optimisation de l’architecture, , algorithme génétique codé en réel,, diagnostic médical