L’extraction des règles de prédiction dans le domaine de l’intelligence ambiante
Des informations générales:
MASTER |
Le niveau |
L’extraction des règles de prédiction dans le domaine de l’intelligence ambiante |
Titre |
| Génie Informatique |
SPECIALITE |
Page de garde:
Sommaire:
Introduction générale
1 Intelligence ambiante
1.1 Introduction
1.2 Historique
1.3 Définition
1.4 Les différentes fonctionnalités de l’AmI
1.5 Les applications de l’AmI
1.5.1 Éducation
1.5.2 Robotique
1.5.3 Santé
1.5.4 Transport
1.5.5 Lieu de travail
1.6 Facteurs en jeu
1.7 En intelligence ambiante
1.8 Le rôle de l’intelligence artificielle pour l’AmI
1.9 À quoi ressemble l’intelligence ambiante aujourd’hui ?
1.10 Conclusion
2 Contexte sur l’apprentissage profond
2.1 Introduction
2.2 Intelligence artificielle
2.3 L’apprentissage Automatique
2.4 Les types d’apprentissage automatique
2.4.1 L’apprentissage supervisé
2.4.2 L’apprentissage non supervisé
2.4.3 L’apprentissage par renforcement
2.5 l’apprentissage à base des réseaux de neurones artificiels
2.5.1 Généralités sur les réseaux de neurones artificiels
2.5.2 Fonctionnement d’un réseau de neurones artificiel
2.6 De l’apprentissage peu-profond à l’apprentissage profond
2.7 L’apprentissage profond << Deep Learning »
2.8 Les différents modèles de Deep Learning
2.8.1 Perceptron Multicouches
2.8.2 Réseau de neurones convolutifs
2.8.3 Réseaux neuronaux récurrents
2.8.4 Réseaux Long Short-Term Memory (LSTM)
2.8.5 Unité récurrente à portes
2.9 Conclusion
3 Conception et Implémentation
3.1 Introduction
3.2 Présentation du dataset
3.3 Problème du dataset
3.3.1 Forme générale
3.3.2 Problème d'extension
3.3.3 Valeurs manquantes
3.3.4 Conversion de valeurs textuelles en valeurs numériques
3.3.5 Déséquilibre des classes
3.3.6 Types de capteurs et valeurs numériques
3.4 Prétraitement du dataset
3.4.1 Problème d'extension
3.4.2 Forme générale
3.4.3 Valeurs manquantes
3.4.4 Conversion de valeurs textuelles en valeurs numériques
3.4.5 Types de capteurs et valeurs numériques
3.4.6 Déséquilibre des classes
3.4.7 Transformation du dataset
3.5 Modèles choisies et leurs architectures
3.5.1 Long Short-Term Memory (LSTM)
3.5.2 Gated Recurrent Unit (GRU)
3.5.3 Perceptron Multicouche (MLP)
3.6 Outils, langage et bibliothèques de développement
3.6.1 Outils
3.6.2 Langage
3.6.3 Bibliothèques
3.7 Métriques d'évaluation
3.8 Implémentation et entraînement
3.8.1 Implémentation du modèle LSTM
3.8.2 Implémentation du modèle GRU
3.8.3 Implémentation du modèle MLP
3.9 Résultat et Discussion
3.10 Conclusion
Télécharger:
Pour plus de sources et références universitaires (mémoires, thèses et articles ), consultez notre site principal.