Estimation de la QoS dans les services Web par apprentissage profond
Des informations générales:
Le niveau |
Doctorat |
Titre |
Estimation de la QoS dans les services Web par apprentissage profond |
SPECIALITE |
Informatique |
Page de garde:
Sommaire:
1 Introduction générale
1.1 Contexte et motivations
1.2 Objectifs et problématiques
1.3 Contributions
1.4 Organisation du manuscrit
I Prérequis pour l’estimation de la QoS pour les services Web
2 Services Web et attributs de QoS
2.1 Introduction .
2.2 Paradigme de l’approche orientée services
2.2.1 Définition et historique
2.2.2 Principes de SOA.
2.3 Les bases des services Web. 2.3.1
Notions de service
2.3.2 Notions de service Web
2.3.3 Modèle de base des service Web
2.3.4 Architecture en couches des services Web
2.4 La description des services Web
2.4.1 Description SOAP
2.4.2 Description REST
2.4.3 REST vs SOAP
2.5 Attributs de qualité pour les services Web Définition.
2.5.1 Paramètres de QoS
2.5.2 Classification des attributs de QoS
2.6 Conclusion
3 Le filtrage collaboratif noyau de la prédiction
3.1 Introduction.
3.2 Les systèmes de recommandation
3.2.1 Origines des systèmes de recommandation
3.2.2 Définition de base
3.2.3 Notations
3.3 Filtrage collaboratif
3.4 3.3.1 Classification des approches basées sur le FC 3.3.2 Filtrage collaboratif basé sur la mémoire Filtrage collaboratif basé sur un modèle.
3.3.3 3.3.4 3.3.5 Les modèles à facteurs latents
Les modèles probabilistes
Prédiction versus Recommandation 3.5 évaluation des techniques du FC 3.6 Conclusion
4 L’apprentissage profond
4.1 Introduction.
4.2 Apprentissage automatique
4.2.1 Origine et inspiration
4.2.2 Perceptron monocouche
4.2.3 Réseaux de neurones artificiels
4.3 Apprentissage profond
4.4 4.3.1 Réseaux de neurones convolutifs
4.3.2 Réseaux de neurones récurrents
Les modèles génératifs d’apprentissage profond Auto-encodeurs
4.4.1 4.4.2 Les réseaux antagonistes génératifs
4.4.3 Principes et définition
4.4.4 L’apprentissage dans les GANS
4.5 Réseaux auto-organisateurs
4.5.1 Principe de fonctionnement
4.5.2 L’apprentissage dans les réseaux de Kohonen
4.6 Conclusion
II Estimation de la QoS pour les services Web
5 Prédiction de la QoS par FC : état de l’art (Partie 1) Introduction.
5.1 5.2 Stratégie de recherche documentaire adoptée
5.2.1 Processus de recherche bibliographique
5.2.2 Sélection d’articles
5.3 La recommandation des services Web.
5.3.1 La prédiction de la QoS
5.3.2 Classification des différentes méthodes Prédiction en séries chronologiques
5.4.1 Approches d’analyse statistiques
5.4.2 Approches à base de réseaux de neurones récurrents
5.4.3 Synthèse des approches sensibles au temps.
5.5 Prédiction basée sur la mémoire.
5.5.1 Voisinage utilisateur
5.5.2 Voisinage service
5.5.3 Méthodes hybrides
5.5.4 Synthèse des approches basées voisinage 5.6 Conclusion
6 Prédiction de QoS par apprentissage profond 6.1 Introduction.
6.2 6.3 Estimation de la QoS par apprentissage profond
6.2.1 Prédiction basée sur les modèles
6.2.2 Prédiction basée sur les modèles hybrides 6.2.3 Avantages et limites des approches de FC
6.3.1 6.3.2 6.3.3 6.3.4 Les motivations sur nos choix de conception Architecture du modèle
Partitionnement de données
Prédiction de la QoS
6.4 Problème du démarrage à froid
6.5 Conclusion
7 Expérimentations et évaluation des performances
7.1 Introduction.
7.2 Jeux de données et métriques d’évaluation
7.2.1 Bases de test existantes
7.2.2 Base de test utilisée
7.2.3 Métriques d’évaluation utilisées
7.3 Comparaison des performances
7.3.1 Impact des paramètres d’apprentissage 7.3.2 Impact des informations de localisation
7.3.3 Choix de modèles. .
7.4 7.3.4 Résultats des expérimentations & comparaison des performances Problème du démarrage à froid
7.5 Menaces à la validité (Threats To Validity)
7.5.1 Validité interne
7.5.2 Validité externe
7.6 Conclusion
8 Conclusion générale
8.1 Synthèse
8.2 Perspectives
Bibliographie
1.1 Contexte et motivations
1.2 Objectifs et problématiques
1.3 Contributions
1.4 Organisation du manuscrit
I Prérequis pour l’estimation de la QoS pour les services Web
2 Services Web et attributs de QoS
2.1 Introduction .
2.2 Paradigme de l’approche orientée services
2.2.1 Définition et historique
2.2.2 Principes de SOA.
2.3 Les bases des services Web. 2.3.1
Notions de service
2.3.2 Notions de service Web
2.3.3 Modèle de base des service Web
2.3.4 Architecture en couches des services Web
2.4 La description des services Web
2.4.1 Description SOAP
2.4.2 Description REST
2.4.3 REST vs SOAP
2.5 Attributs de qualité pour les services Web Définition.
2.5.1 Paramètres de QoS
2.5.2 Classification des attributs de QoS
2.6 Conclusion
3 Le filtrage collaboratif noyau de la prédiction
3.1 Introduction.
3.2 Les systèmes de recommandation
3.2.1 Origines des systèmes de recommandation
3.2.2 Définition de base
3.2.3 Notations
3.3 Filtrage collaboratif
3.4 3.3.1 Classification des approches basées sur le FC 3.3.2 Filtrage collaboratif basé sur la mémoire Filtrage collaboratif basé sur un modèle.
3.3.3 3.3.4 3.3.5 Les modèles à facteurs latents
Les modèles probabilistes
Prédiction versus Recommandation 3.5 évaluation des techniques du FC 3.6 Conclusion
4 L’apprentissage profond
4.1 Introduction.
4.2 Apprentissage automatique
4.2.1 Origine et inspiration
4.2.2 Perceptron monocouche
4.2.3 Réseaux de neurones artificiels
4.3 Apprentissage profond
4.4 4.3.1 Réseaux de neurones convolutifs
4.3.2 Réseaux de neurones récurrents
Les modèles génératifs d’apprentissage profond Auto-encodeurs
4.4.1 4.4.2 Les réseaux antagonistes génératifs
4.4.3 Principes et définition
4.4.4 L’apprentissage dans les GANS
4.5 Réseaux auto-organisateurs
4.5.1 Principe de fonctionnement
4.5.2 L’apprentissage dans les réseaux de Kohonen
4.6 Conclusion
II Estimation de la QoS pour les services Web
5 Prédiction de la QoS par FC : état de l’art (Partie 1) Introduction.
5.1 5.2 Stratégie de recherche documentaire adoptée
5.2.1 Processus de recherche bibliographique
5.2.2 Sélection d’articles
5.3 La recommandation des services Web.
5.3.1 La prédiction de la QoS
5.3.2 Classification des différentes méthodes Prédiction en séries chronologiques
5.4.1 Approches d’analyse statistiques
5.4.2 Approches à base de réseaux de neurones récurrents
5.4.3 Synthèse des approches sensibles au temps.
5.5 Prédiction basée sur la mémoire.
5.5.1 Voisinage utilisateur
5.5.2 Voisinage service
5.5.3 Méthodes hybrides
5.5.4 Synthèse des approches basées voisinage 5.6 Conclusion
6 Prédiction de QoS par apprentissage profond 6.1 Introduction.
6.2 6.3 Estimation de la QoS par apprentissage profond
6.2.1 Prédiction basée sur les modèles
6.2.2 Prédiction basée sur les modèles hybrides 6.2.3 Avantages et limites des approches de FC
6.3.1 6.3.2 6.3.3 6.3.4 Les motivations sur nos choix de conception Architecture du modèle
Partitionnement de données
Prédiction de la QoS
6.4 Problème du démarrage à froid
6.5 Conclusion
7 Expérimentations et évaluation des performances
7.1 Introduction.
7.2 Jeux de données et métriques d’évaluation
7.2.1 Bases de test existantes
7.2.2 Base de test utilisée
7.2.3 Métriques d’évaluation utilisées
7.3 Comparaison des performances
7.3.1 Impact des paramètres d’apprentissage 7.3.2 Impact des informations de localisation
7.3.3 Choix de modèles. .
7.4 7.3.4 Résultats des expérimentations & comparaison des performances Problème du démarrage à froid
7.5 Menaces à la validité (Threats To Validity)
7.5.1 Validité interne
7.5.2 Validité externe
7.6 Conclusion
8 Conclusion générale
8.1 Synthèse
8.2 Perspectives
Bibliographie
Télécharger:
Pour plus de
sources et références universitaires
(mémoires, thèses et articles
), consultez notre site principal.