Application des méthodes méta-heuristiques pour l’apprentissage de structure des réseaux bayésiens
Des informations générales:
Le niveau |
Master |
Titre |
Application des méthodes méta-heuristiques pour l’apprentissage de structure des réseaux bayésiens |
SPECIALITE |
Modèle Intelligent et Décision(M.I.D) |
Page de garde:
Sommaire:
Introduction générale
CHAPITRE I: INTRODUCTION ET GÉNÉRALITÉS DES RESEAUX
I- Introduction
I-1- Exemple
II- Généralités
III- les algorithmes
BAYESIENS
III-1- L’algorithme PC, recherche de causalité.
III-2- restriction à l’espace des arbres
III-2- L’algorithme K2
III-4- Recherche Gloutonne
III-5- L’algorithme EM
IV- Apprentissage des paramètres
IV-1- A partir de données complètes
IV-1-1- Apprentissage statistique
IV-1-2- Apprentissage statistique
IV-1-3- Apprentissage bayésien
IV-2 A partir de données incomplètes
IV-2-1- Nature des données manquantes.
IV-2-2- Traitement des données MCAR
IV-2-3- Traitement des données MAR
V- Problématique
CHAPITRE II: ALGORITHME COUCOU ET LUCIOLE
I- Introduction
I-1- Problèmes d’optimisation
I-2- Définition d’un Algorithme d’Optimisation
II- Recherche et analyse de coucou
II-1- La recherche coucou
II-2- Cas particuliers de la Recherche coucou
II-3- Pourquoi la recherche coucou est si efficace?
III- Applications de la recherche coucou
III-1- Analyse théorique et mise en œuvre
III-2- Améliorations et autres études
III-3- Implémentations
IV- Algorithme et analyse de Luciole (Firefly Algorithm)
IV-1- Algorithme de Luciole
IV-2- Les Paramètres
IV-3- Complexité d’Algorithme
IV-4- Cas particuliers de FA
IV-5- Variantes d’Algorithme Luciole << Firefly Algorithm »
IV-6- Attraction et diffusion
IV-7- Pourquoi SA est efficace
V- Applications
VI- Conclusions
CHAPITRE III: CONCEPTION ET IMPLEMENTATION
1- Introduction
1-1- Algorithme de recherche coucou (AC)
1-2- Algorithme original luciole
II- Documents BNT_StructureLearning_v1.3
III- Méthode proposée
III-1- La formulation du problème
IV- Expérimentation et résultats
IV-1- Langage Matlab 07
IV-2- La base de teste HEART
V-Présentation de l’application
VI- Conclusion
Conclusion générale .
Références Bibliographiques
CHAPITRE I: INTRODUCTION ET GÉNÉRALITÉS DES RESEAUX
I- Introduction
I-1- Exemple
II- Généralités
III- les algorithmes
BAYESIENS
III-1- L’algorithme PC, recherche de causalité.
III-2- restriction à l’espace des arbres
III-2- L’algorithme K2
III-4- Recherche Gloutonne
III-5- L’algorithme EM
IV- Apprentissage des paramètres
IV-1- A partir de données complètes
IV-1-1- Apprentissage statistique
IV-1-2- Apprentissage statistique
IV-1-3- Apprentissage bayésien
IV-2 A partir de données incomplètes
IV-2-1- Nature des données manquantes.
IV-2-2- Traitement des données MCAR
IV-2-3- Traitement des données MAR
V- Problématique
CHAPITRE II: ALGORITHME COUCOU ET LUCIOLE
I- Introduction
I-1- Problèmes d’optimisation
I-2- Définition d’un Algorithme d’Optimisation
II- Recherche et analyse de coucou
II-1- La recherche coucou
II-2- Cas particuliers de la Recherche coucou
II-3- Pourquoi la recherche coucou est si efficace?
III- Applications de la recherche coucou
III-1- Analyse théorique et mise en œuvre
III-2- Améliorations et autres études
III-3- Implémentations
IV- Algorithme et analyse de Luciole (Firefly Algorithm)
IV-1- Algorithme de Luciole
IV-2- Les Paramètres
IV-3- Complexité d’Algorithme
IV-4- Cas particuliers de FA
IV-5- Variantes d’Algorithme Luciole << Firefly Algorithm »
IV-6- Attraction et diffusion
IV-7- Pourquoi SA est efficace
V- Applications
VI- Conclusions
CHAPITRE III: CONCEPTION ET IMPLEMENTATION
1- Introduction
1-1- Algorithme de recherche coucou (AC)
1-2- Algorithme original luciole
II- Documents BNT_StructureLearning_v1.3
III- Méthode proposée
III-1- La formulation du problème
IV- Expérimentation et résultats
IV-1- Langage Matlab 07
IV-2- La base de teste HEART
V-Présentation de l’application
VI- Conclusion
Conclusion générale .
Références Bibliographiques
Télécharger:
Pour plus de
sources et références universitaires
(mémoires, thèses et articles
), consultez notre site principal.