Modèles auto-organisateurs à croissance hiérarchisée

Name: Modèles auto-organisateurs à croissance hiérarchisée
Brand: Jlassi, Chiraz
SKU: NW-9783330797918
Price: 49.9 EUR
Availability: InStock

Audience : Adulte - Haut niveau

Le Pitch

Les méthodes de classification ont pour but d'identifier les classes auxquelles appartiennent des objets à partir de certains traits descriptifs. Elles s'appliquent à un grand nombre d'activités humaines et conviennent en particulier au problème de la classification phonémique. Dans ce travail, nous nous intéressons à la classification phonémique par une approche adaptative de réseaux de neurones à apprentissage non supervisé utilisant les cartes auto-organisatrices de Kohonen (Self Organizing Map, SOM). En particulier, nous nous intéressons au modèle SOM à croissance hiérarchisée : le GHSOM (Growing Hierarchical Self Organizing Map). Dans le contexte de l'apprentissage du GHSOM, nous proposons différentes variantes d'apprentissage et nous intégrons le principe d'enrichissement de l'information dans une carte. Ce principe permet de préciser l'appartenance d'un échantillon d'entrée à une classe lors du processus de classification. Ces modèles servent comme des outils pour le développement des systèmes intelligents et poursuivant des applications de l'intelligence artificielle. Afficher moinsAfficher plus

Jlassi, Chiraz

Modèles auto-organisateurs à croissance hiérarchisée

49,90 €

Le Pitch

Les méthodes de classification ont pour but d'identifier les classes auxquelles appartiennent des objets à partir de certains traits descriptifs. Elles s'appliquent à un grand nombre d'activités humaines et conviennent en particulier au problème de la classification phonémique. Dans ce travail, nous nous intéressons à la classification phonémique par une approche adaptative de réseaux de neurones à apprentissage non supervisé utilisant les cartes auto-organisatrices de Kohonen (Self Organizing Map, SOM). En particulier, nous nous intéressons au modèle SOM à croissance hiérarchisée : le GHSOM (Growing Hierarchical Self Organizing Map). Dans le contexte de l'apprentissage du GHSOM, nous proposons différentes variantes d'apprentissage et nous intégrons le principe d'enrichissement de l'information dans une carte. Ce principe permet de préciser l'appartenance d'un échantillon d'entrée à une classe lors du processus de classification. Ces modèles servent comme des outils pour le développement des systèmes intelligents et poursuivant des applications de l'intelligence artificielle. Afficher moinsAfficher plus