Étude des techniques d’apprentissage semi-supervisé par regroupement
Des informations générales:
Le niveau |
Master |
Titre |
Étude des techniques d’apprentissage semi-supervisé par regroupement |
SPECIALITE |
Informatique Biomédicale |
Page de garde:
Sommaire:
Glossaire
Introduction
Généralité sur l’apprentissage semi- supervisé
Les types d’apprentissage
L’apprentissage supervisé
L’apprentissage non supervisé (clustering, segmentation) .
Le clustering partionnel
Le clustering hiérarchique
L’apprentissage semi-supervisé
1.3.1 L’apprentissage semi-supervisé classique . L’apprentissage semi-supervisé par regroupement
Conclusion
2 L’apprentissage semi- supervisé par regroupement
L’apprentissage par contraintes
Contraintes globales
Contraintes de groupes
Contraintes d’attributs :
Contraintes d’objets :
État de l’art des méthodes d’apprentissage semi-supervisé par re- groupement (SSC).
L’apprentissage semi-supervisé par regroupement basé sur les approches Pointwise et Pairwise
Semi-supervisé Clustering basé sur Seeding: Semi-supervisé Clustering basé sur les paires de contraintes (Pairwise constraint):
Le regroupement semi-supervisé par l’apprentis- sage Actif:
Semi-supervisé Clustering basé sur l’utilisation (User Feedback)
3 Principe des approches de regroupement semi-supervisé par contraintes 24 Le principe de l’algorithme COP K-means.
Le principe de l’algorithme SKMS (Semi-supervised Kernel Mean Shift clustering)
Le regroupement semi supervisé avec contraintes de distances re- latives SKLR.
Les métriques d’évaluation de l’apprentissage semi-supervisé par regroupement
Comptage de pair.
Mettre en correspondance
La théorie de l’information
Conclusion.
Résultats et expérimentations
Expérimentations
Les bases de données
La base de données Pima
La base de données Bupa
La base de données Pancreatic: La base de données Heartstatlog:
La base de données New-thyroid:
La base de données Dermatologie :
Les métriques d’évaluation de l’apprentissage semi-supervisé par regroupement
Résultats
Expérimentation 1 : l’algorithme cop-kmeans
Expérimentation 2: L’algorithme SKMS
2.3 Expérimentation 3: L’algorithme SKLR
Analyse comparative
3.1 Analyse comparative de la base de données PIMA
Analyse comparative de la base de données BUPA
Analyse comparative de la base de données Pancreatic
Analyse comparative de la base de données Dermatologie
Analyse comparative de la base de données Heartstatlog
Analyse comparative de la base de données Newthyroid
Conclusion.
Conclusion et perspectives
Bibliographie
Introduction
Généralité sur l’apprentissage semi- supervisé
Les types d’apprentissage
L’apprentissage supervisé
L’apprentissage non supervisé (clustering, segmentation) .
Le clustering partionnel
Le clustering hiérarchique
L’apprentissage semi-supervisé
1.3.1 L’apprentissage semi-supervisé classique . L’apprentissage semi-supervisé par regroupement
Conclusion
2 L’apprentissage semi- supervisé par regroupement
L’apprentissage par contraintes
Contraintes globales
Contraintes de groupes
Contraintes d’attributs :
Contraintes d’objets :
État de l’art des méthodes d’apprentissage semi-supervisé par re- groupement (SSC).
L’apprentissage semi-supervisé par regroupement basé sur les approches Pointwise et Pairwise
Semi-supervisé Clustering basé sur Seeding: Semi-supervisé Clustering basé sur les paires de contraintes (Pairwise constraint):
Le regroupement semi-supervisé par l’apprentis- sage Actif:
Semi-supervisé Clustering basé sur l’utilisation (User Feedback)
3 Principe des approches de regroupement semi-supervisé par contraintes 24 Le principe de l’algorithme COP K-means.
Le principe de l’algorithme SKMS (Semi-supervised Kernel Mean Shift clustering)
Le regroupement semi supervisé avec contraintes de distances re- latives SKLR.
Les métriques d’évaluation de l’apprentissage semi-supervisé par regroupement
Comptage de pair.
Mettre en correspondance
La théorie de l’information
Conclusion.
Résultats et expérimentations
Expérimentations
Les bases de données
La base de données Pima
La base de données Bupa
La base de données Pancreatic: La base de données Heartstatlog:
La base de données New-thyroid:
La base de données Dermatologie :
Les métriques d’évaluation de l’apprentissage semi-supervisé par regroupement
Résultats
Expérimentation 1 : l’algorithme cop-kmeans
Expérimentation 2: L’algorithme SKMS
2.3 Expérimentation 3: L’algorithme SKLR
Analyse comparative
3.1 Analyse comparative de la base de données PIMA
Analyse comparative de la base de données BUPA
Analyse comparative de la base de données Pancreatic
Analyse comparative de la base de données Dermatologie
Analyse comparative de la base de données Heartstatlog
Analyse comparative de la base de données Newthyroid
Conclusion.
Conclusion et perspectives
Bibliographie
Télécharger:
Pour plus de
sources et références universitaires
(mémoires, thèses et articles
), consultez notre site principal.