Modélisation et Implémentation d’un Système de Prédiction d’Arrosage Automatique des Plantes à l’aide de l’Apprentissage Automatique
Des informations générales:
MASTER |
Le niveau |
Modélisation et Implémentation d’un Système de Prédiction d’Arrosage Automatique des Plantes à l’aide de l’Apprentissage Automatique |
Titre |
| Réseaux et Télécommunications |
SPECIALITE |
Page de garde:
Sommaire:
L’agriculture de précision.
Historique
Découvrir les Bénéfices et l’Impact de l’Agriculture de Précision.
Les défis de l’agriculture de précision.
Le coût élevé des technologies.
La connectivité et l’infrastructure.
La complexité des données et leur gestion
La formation et les compétences
Les Applications de l’agriculture de précision.
Gestion des sols et des cultures
Détection et surveillance des ravageurs et des maladies des plantes
Gestion de l’irrigation de précision
Technologies de collecte de données.
Systèmes de positionnement global (GPS).
Drones agricoles.
Systèmes d’information géographique (SIG) .
Les capteurs
Conclusion
L’intelligence artificielle.
L’apprentissage automatique (Machine Learning)
Types de machine Learning.
L’apprentissage supervisé.
L’apprentissage non supervisé.
L’apprentissage semi-supervisé.
L’apprentissage par renforcement.
L’apprentissage Profond (Deep Learning).
Les réseaux de neurones artificiels (ANN)
Stratégies Avancées d’Apprentissage
Le Fine-Tuning.
Les avantages du Fine-Tuning
Les défis liés au Fine-Tuning.
Transfer Learning.
Les avantages du Transfer Learning.
Les principaux défis liés au Transfer Learning.
Federated Learning.
Le fonctionnement de L’apprentissage fédéré.
Les avantages de L’apprentissage fédéré.
Les Limitations de l’Apprentissage Fédéré.
Les défis de l’Apprentissage Fédéré.
Ensemble Learning.
Bagging.
Boosting.
Stacking.
Conclusion
Détection des maladies.
Propriétés du sol et prédiction météorologique.
Le rendement des cultures
L’irrigation.
Conclusion
Description du système d’irrigation étudié.
Processus de mise en place d’une solution d’irrigation.
Environnement de travail
Caractéristiques de notre équipement de travail.
Bibliothèques utilisées.
Le jeu de données utilisé.
descriptions du Dataset.
Prétraitement de données
Sélection des partitions d’entrainement et de test.
Normalisation des données
validation croisée.
Modèles Machine Learning testés
Les modèles d’apprentissage de base
Logistic Regression.
K-Nearest Neighbors (KNN).
Gaussien Naive Bayes.
SVM (Support Vector Machine)
Decision Tree Classifier.
Random Forest Classifier.
Artificial Neural Network
Les modèles d’Ensemble Learning.
Boosting.
Stacking.
Discussions et résultats
Conclusion
Bibliographie
Télécharger:
Pour plus de sources et références universitaires (mémoires, thèses et articles ), consultez notre site principal.