Des informations générales:

Magister

Le niveau
Classification des documents par apprentissage

Titre
Système d’Information et de Connaissances

SPECIALITE

Page de garde:

Classification des documents par apprentissage

Sommaire:

Introduction Chapitre I: Modèles de représentation des documents La similarité textuelle Déséquentialistation et Composition : La Déséquentialistation : La Composition La représentation de corpus documentaires : Les unités linguistiques: Le prétraitement des documents: Stemmatisation (radicalisation ou «<< stemming >>) Lemmatisation La << stop-list >> La loi de Zipf. La recherche du document le plus similaire : Les modèles vectoriels de représentation de documents : Le modèle vectoriel standard La sélection des termes d’indexation: Les schémas de pondération Prise en compte des dépendances dans le modèle vectoriel : Modèle Latent Semantic Indexing (LSI) : Le Modèle DSIR [Besançon 2002] : Modèle logique Modèle probabiliste Modèle de réseaux de neurones Conclusion Chapitre II : Les algorithmes de classification par apprentissage L’apprentissage automatique Introduction: Généralités : Formulation de la classification en théorie : Algorithmes de classification Naïve Bayes Arbres de décision (AD) Machines à Vecteurs Supports (SVM): Qu’est-ce qu’un SVM? Classificateur linéaire Définition Marge de l’hyperplan La séparabilité Marge Marge fonctionnelle d’un exemple Marge géométrique d’un exemple Marge géométrique d’un taraining set L’hyperplan canonique Un problème d’optimisation Le problème à résoudre par la SVM Cas séparable Marge souple Les fonctions Noyaux (Kernels) L’espace des caractéristiques Conditions pour avoir un noyau Exemples de kernels Kernel polynomial Le kernel RBF (Radial Basis Function) Composition des kernels Formulation de SVM Cas linéairement séparable Formulation Soft Margin Conclusion Chapitre III: Les algorithmes de décomposition Introduction Les méthodes de décomposition Structure commune des algorithmes de résolution Algorithmes de décomposition L’algorithme SMO (Sequential Minimal Optimization) L’algorithme de décomposition D’Osuna L’algorithme SVMlight Proposition et implémentation La stratégie de l’algorithme Conception algorithmique Stockage des documents et calcul des kernels Optimisation quadratique Implémentation de l’algorithme Résultat d’apprentissage et de test Discussion Conclusion et perspectives Bibliographie

Télécharger:


 

Pour plus de sources et références universitaires (mémoires, thèses et articles ), consultez notre site principal.