Deep Learning Applied to Different Types of Data

Abstract

Cette thèse s'intéresse à l'application de l'apprentissage profond à différents types de données, notamment les données hétérogènes, les données déséquilibrées et les données aberrantes. Les données hétérogènes sont des données qui proviennent de différentes sources et ont des formats différents. Les données déséquilibrées sont des données qui contiennent un nombre disproportionné d'observations d'une classe par rapport aux autres classes. Les données aberrantes sont des données qui s'écartent significativement des autres données.

Les résultats de la thèse ont montré que l'apprentissage profond peut être utilisé pour traiter efficacement différents types de données. En particulier, les résultats ont montré que l'apprentissage profond peut être utilisé pour améliorer la précision et la robustesse des modèles d'apprentissage.