Réseaux de neurones artificiels «programmation par l’exemple» S. Canu, laboratoire psi, insa de Rouen



Yüklə 445 b.
tarix26.10.2017
ölçüsü445 b.
#15181


Réseaux de neurones artificiels « programmation par l’exemple »

  • S. Canu,

  • laboratoire PSI, INSA de Rouen

  • équipe « systèmes d’information pour l’environnement »

  • asi.insa-rouen.fr/~scanu


Plan de Route

  • études de cas

      • nez électronique
      • capteur logiciel
      • prévision de charge entrante
      • modélisation de l’écrouissage
      • Conclusion : programmation à base d’exemples
  • l’apprentissage simple

  • une affaire de noyaux !

      • qui se ressemble s’assemble
  • Réseaux de neurones



Système d’information pour l’environnement



Système d’information pour l’environnement



Système d’information pour l’environnement



Système d’information pour l’environnement



Quelques exemples



Nez électronique



Nez électronique



Capteur logiciel



Capteur logiciel



R.P.S. : Consommation journalière en 1988



Spécifications fonctionnelles



RNA



Spécifications fonctionnelles



Modèle de type “boite noire”



Prévision de la classe de qualité du bois

  • But : Minimiser les erreurs de classement

  • Données :

    • 550 points de mesures
    • Entrées : mesures physique sur les planches
    • Sorties : point de rupture Classe
  • Informations a priori

    • nature des classes


Prévision de la charge entrante



Optimisation de la qualité du verre (Saint Gobain)

  • But : Optimiser la fabrication

  • Données :

    • 127 points de mesures (plan d’expérience)
    • Entrées : quantités de “sables”
    • Sorties : mesures physiques
  • Informations a priori

    • pas de variations brusques (monotonie)


Qualité du verre



Qualité du verre



Qualité du verre



Écrouissage



Écrouissage



Écrouissage



Écrouissage : le modèle « statistique »



Écrouissage



Écrouissage : résultats



Écrouissage : résultats



Programmation à base d’exemples



Programmation à base d’exemples



Que peut on faire ?



Que peut on faire ?



Les Trois problèmes



Les Trois problèmes



Les Trois problèmes



Les Trois problèmes



Les Trois problèmes



Les Trois problèmes



Modèle « boite noire »



Les différentes étapes d’une application



notations



Conclusion



Modèle “Boite Noire”...

  • fontion de prévision : r(x)

  • fonction de précision : (x)



Variance non constante distribution non gaussienne



Variance non constante distribution non gaussiènne



Cas multi modal (Bishop (94))



Cas multi modal (Bishop (94))



Programmation à base d’exemples



Programmation à base d’exemples



Programmation à base d’exemples



Programmation à base d’exemples



Programmation à base d’exemples



Programmation à base d’exemples



Programmation à base d’exemples



Programmation à base d’exemples



Aspects fondamentaux



Exemple d’application



Prévoir la taille des bouchons



Prévoir la taille des bouchons



Prévoir la taille des bouchons



Prévoir la taille des bouchons



Quelques exemples de RdF



Quelques exemples de RdF



Quelques exemples de RdF



Quelques problèmes de RdF



Les différentes phases des algorithmes de reconnaissance des formes



Buts de la RdF



Règles de décision



Buts de la RdF



Coûts : matrice de confusion



Coûts : matrice de confusion



Coûts : matrice de confusion



Yüklə 445 b.

Dostları ilə paylaş:




Verilənlər bazası müəlliflik hüququ ilə müdafiə olunur ©muhaz.org 2024
rəhbərliyinə müraciət

gir | qeydiyyatdan keç
    Ana səhifə


yükləyin