Show simple document record

dc.contributor.advisorMayers, Andréfr
dc.contributor.authorD'Orangeville, Vincentfr
dc.date.accessioned2015-03-09T15:37:44Z
dc.date.available2015-03-09T15:37:44Z
dc.date.created2012fr
dc.date.issued2012fr
dc.identifier.urihttp://hdl.handle.net/11143/6678
dc.description.abstractCette dissertation présente un ensemble d'algorithmes visant à en permettre un usage rapide, robuste et automatique des « Support Vector Machines » (SVM) non supervisés dans un contexte d'analyse de données. Les SVM non supervisés se déclinent sous deux types algorithmes prometteurs, le « Support Vector Clustering » (SVC) et le « Support Vector Domain Description » (SVDD), offrant respectivement une solution à deux problèmes importants en analyse de données, soit la recherche de groupements homogènes (« clustering »), ainsi que la reconnaissance d'éléments atypiques (« novelty/abnomaly detection ») à partir d'un ensemble de données. Cette recherche propose des solutions concrètes à trois limitations fondamentales inhérentes à ces deux algorithmes, notamment I) l'absence d'algorithme d'optimisation efficace permettant d'exécuter la phase d'entrainement des SVDD et SVC sur des ensembles de données volumineux dans un délai acceptable, 2) le manque d'efficacité et de robustesse des algorithmes existants de partitionnement des données pour SVC, ainsi que 3) l'absence de stratégies de sélection automatique des hyperparamètres pour SVDD et SVC contrôlant la complexité et la tolérance au bruit des modèles générés. La résolution individuelle des trois limitations mentionnées précédemment constitue les trois axes principaux de cette thèse doctorale, chacun faisant l'objet d'un article scientifique proposant des stratégies et algorithmes permettant un usage rapide, robuste et exempt de paramètres d'entrée des SVDD et SVC sur des ensembles de données arbitraires.fr
dc.language.isofrefr
dc.publisherUniversité de Sherbrookefr
dc.rights© Vincent d'Orangevillefr
dc.subjectSupport Vector Machinesfr
dc.subjectSupport Vector Clusteringfr
dc.subjectSupport Vector Domain Descriptionfr
dc.titleAnalyse automatique de données par Support Vector Machines non supervisésfr
dc.typeThèsefr
tme.degree.disciplineInformatiquefr
tme.degree.grantorFaculté des sciencesfr
tme.degree.levelDoctoratfr
tme.degree.namePh. D.fr


Files in this document

Thumbnail

This document appears in the following Collection(s)

Show simple document record