Browsing by Author "Chefrour Aida"

Now showing 1 - 1 of 1
  • No Thumbnail Available
    Item
    Approche hybride pour l'apprentissage automatique incrémental
    (2019-03-15) Chefrour Aida
    Le travail présenté dans ce document se situe dans le cadre général de l’apprentissage automatique et, plus précisément, celui de l'apprentissage incrémental qui propose une alternative d’évolutivité et d’adaptation dynamique pour intégrer de nouvelles connaissances, de nouvelles données ou pour restructurer des problèmes déjà partiellement appris. L’objectif principal de l'apprentissage incrémental est de disposer d’un système capable d’apprendre de nouvelles informations (nouvelles données, nouvelles classes...) sans pour autant oublier les connaissances déjà acquises. Suite à notre étude des concepts et méthodes de l’apprentissage incrémental ainsi que des travaux relatifs à l’apprentissage incrémental supervisé, notamment dans le domaine de la reconnaissance de formes, nous avons constaté le manque de propositions d’hybridation et de combinaison de ces méthodes. Dans ce cadre, nous comparons et combinons deux algorithmes d’apprentissage supervisé le SVM incrémental et le réseau neuronal incrémental Learn++. Le système proposé, que nous avons nommé ISVM-Learn++, a montré des bonnes capacités d'apprentissage incrémental sur plusieurs jeux de données et a permis d’obtenir des résultats satisfaisants. Après une étude approfondie des méthodes d’apprentissage non supervisé ou clustering, notamment celles proposées dans un cadre incrémental, nous nous sommes intéressés particulièrement au DBSCAN (Density-Based Spatial Clustering of Applications with Noise). Nous proposons AMF-IDBSCAN, une version améliorée de cet algorithme qui construit de manière incrémentale les clusters de formes et de tailles différentes dans de grands ensembles de données et élimine la présence de bruit et de valeurs aberrantes. L'algorithme AMF-IDBSCAN proposé utilise le canopy clustering pour pré-regrouper les ensembles de données afin de réduire le volume de données, applique un DBSCAN incrémental pour regrouper les exemples d'apprentissage et la technique AMF (Adaptive Median Filtering) pour réduire les données aberrantes ou bruits en les remplaçant par les médianes choisies. Les résultats expérimentaux obtenus, sur plusieurs bases de données, montrent que notre algorithme donne de bons résultats par rapport au DBSCAN et à certaines de ses extensions proposées dans la littérature.