Réseaux de neurones artificiels «programmation par l’exemple» S. Canu, laboratoire psi, insa de Rouen
Yüklə
445 b.
tarix
26.10.2017
ölçüsü
445 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
perceptrons multicouches
fonctions
de bases radiales
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
Dərs
Dərslik
Guide
Kompozisiya
Mücərrəd
Mühazirə
Qaydalar
Referat
Report
Request
Review
yükləyin