TEST QI
test qi

Annuaire | Page 1 | Page 2 | Page 3 | Page 4 | Page 5 | Page 6 | Page 7 | Page 8 | Page 9 | Page 10 | Page 11
test qi Penser abstrait
Penser abstrait 20
IE - Outils le blog iesde

iesde hébergé par over-blog.com NC
test qi Savoir et intelligence
Savoir et intelligence 4
Imago Mundi - Empirisme.

Idées et méthodes : empirisme.
test qi Savoir et intelligence
Savoir et intelligence 11
Imago Mundi - Intelligence.

Idées et méthodes : intelligence.
test qi Enseignement et intelligence
Enseignement et intelligence 5
Infoscience: Notice #86083: Prior knowledge in Kernel methods

Machine Learning is a modern and actively developing field of computer science, devoted to extracting and estimating dependencies from empirical data. It combines such fields as statistics, optimization theory and artificial intelligence. In practical tasks, the general aim of Machine Learning is to construct algorithms able to generalize and predict in previously unseen situations based on some set of examples. Given some finite information, Machine Learning provides ways to exract knowledge, describe, explain and predict from data. Kernel Methods are one of the most successful branches of Machine Learning. They allow applying linear algorithms with well-founded properties such as generalization ability, to non-linear real-life problems. Support Vector Machine is a well-known example of a kernel method, which has found a wide range of applications in data analysis nowadays. In many practical applications, some additional prior knowledge is often available. This can be the knowledge about the data domain, invariant transformations, inner geometrical structures in data, some properties of the underlying process, etc. If used smartly, this information can provide significant improvement to any data processing algorithm. Thus, it is important to develop methods for incorporating prior knowledge into data-dependent models. The main objective of this thesis is to investigate approaches towards learning with kernel methods using prior knowledge. Invariant learning with kernel methods is considered in more details. In the first part of the thesis, kernels are developed which incorporate prior knowledge on invariant transformations. They apply when the desired transformation produce an object around every example, assuming that all points in the given object share the same class. Different types of objects, including hard geometrical objects and distributions are considered. These kernels were then applied for images classification with Support Vector Machines. Next, algorithms which specifically include prior knowledge are considered. An algorithm which linearly classifies distributions by their domain was developed. It is constructed such that it allows to apply kernels to solve non-linear tasks. Thus, it combines the discriminative power of support vector machines and the well-developed framework of generative models. It can be applied to a number of real-life tasks which include data represented as distributions. In the last part of the thesis, the use of unlabelled data as a source of prior knowledge is considered. The technique of modelling the unlabelled data with a graph is taken as a baseline from semi-supervised manifold learning. For classification problems, we use this apporach for building graph models of invariant manifolds. For regression problems, we use unlabelled data to take into account the inner geometry of the input space. To conclude, in this thesis we developed a number of approaches for incorporating some prior knowledge into kernel methods. We proposed invariant kernels for existing algorithms, developed new algorithms and adapted a technique taken from semi-supervised learning for invariant learning. In all these cases, links with related state-of-the-art approaches were investigated. Several illustrative experiments were carried out on real data on optical character recognition, face image classification, brain-computer interfaces, and a number of benchmark and synthetic datasets. L'apprentissage automatique est un domaine actif de l'informatique moderne. Il s'agit d'extraire et d'estimer des dépendances à partir de données empiriques. Ce domaine est à l'intersection des statistiques, de la théorie de l'optimisation et de l'intelligence artificielle. Sur des tâches pratiques, le but général de l'apprentissage automatique est de construire, à partir d'un ensemble d'exemples, des algorithmes capables de généraliser, c'est-à-dire de prédire dans des situations inconnues auparavant. A partir d'une information finie, l'apprentissage automatique permet d'extraire des connaissances, de les décrire, d'expliquer et de prédire à partir de données connues. Les méthodes à base de noyau forment l'une des branches les plus fructueuses de l'apprentissage automatique. Elles permettent d'appliquer des algorithmes linéaires, dont les propriétés sont bien connues, aux problèmes non-linéaires du monde réel. Les Machines à Vecteurs de Support (SVM) sont un exemple bien connu de méthodes à base de noyau. On les trouve aujourd'hui dans un large éventail d'applications d'analyse de données. Dans de nombreuses applications pratiques, une connaissance a priori est disponible. Ce peut être une connaissance du domaine des données, de l'invariance par certaines transformations, de la structure géométrique interne aux données, de propriétés spécifiques aux processus sous-jacents, etc. Utilisées intelligemment, ces informations peuvent amener des améliorations significatives à n'importe quel algorithme de traitement des données. Il est donc important de développer des méthodes pour incorporer cette connaissance a priori dans les modèles dérivés des données. L'objectif principal de cette thèse est d'utiliser la connaissance a priori dans les méthodes à base de noyau. Une attention particulière est portée à l'apprentissage d'invariance avec les méthodes à base de noyau. La première partie de cette thèse propose des noyaux qui incorporent la connaissance a priori de transformations invariantes. Ces noyaux sont utilisables lorsque les transformations en question produisent un objet autour de chaque échantillon, en supposant que tous les points d'un tel objet appartiennent à la même classe. Différents types d'objets sont considérés, dont des objets géométriques "durs", et des distributions. Ces noyaux sont alors appliqués à la classification d'images avec les SVM. Ensuite, des algorithmes qui incluent la connaissance a priori de façon spécifique sont considérés. Un algorithme est proposé qui classifie, de façon linéaire, les distributions suivant leur domaine. Il permet d'appliquer les méthodes à base de noyau pour résoudre des problèmes non-linéaires. De cette façon, il combine le pouvoir discriminatif des SVM avec la structure bien développée des modèles génératifs. Il peut être appliqué à de nombreuses tâches réelles, dès lors qu'elles incluent des données représentées par des distributions. La dernière partie de cette thèse considère l'usage de données sans label, comme source de connaissance a priori. Comme méthode de base, nous nous inspirons de l'apprentissage semi-supervisé d'hypersurface, et modélisons les données sans label à l'aide d'un graphe. Pour les problèmes de classification, nous utilisons cette approche pour construire des modèles graphiques d'hypersurfaces invariantes. Pour les problèmes de régression, nous utilisons les données sans label pour prendre en compte la géométrie intrinsèque des données. Pour conclure, dans cette thèse nous développons plusieurs approches pour incorporer une connaissance a priori dans les méthodes à base de noyau. Nous proposons des noyaux invariants pour des algorithmes existants, puis développons de nouveaux algorithmes. Enfin, nous adaptons à l'apprentissage d'invariance une technique utilisée en apprentissage semi-supervisé. Des expériences sont conduites sur des données réelles : reconnaissance optique de caractères, classification d'images faciales, interfaces cerveau-machine, ainsi que sur plusieurs tests de références et sur des données synthétiques. Pozdnoukhov, Alexei; Bourlard, Hervé; Bengio, Sami
test qi Intelligence
Intelligence 2
Intelligence Artificielle La voie de l'homme rusé (Gurdjieff)

Redonner du flou c'est recharger le monde en poésie alors même qu'il disparait et s'efface peu à peu dans sa numérisation. Critique radicale du monde mais aussi recherche de ce qui peut le réenchanter que sa volonté soit fête
test qi Intelligence créative
Intelligence créative 13
Intelligence Collective - Les r??¨gles du jeu de la liste de discussion

Retour ??  la page sur l'organisation du groupe . Synth??¨se par Jean-Michel Cornu & Arnaud Klein. L'objectif de cette liste est de croiser nos expériences pour stimuler. des idées nouvelles. Merci de respecter trois r??¨gles simples :. Des messages...
test qi Intelligence
Intelligence 27
Intelligence Collective - Za??¯bet Olfa

1. ACTIVITES. . Je suis docteur en sciences de gestion ??  l'université de Nice-Sophia Antipolis. Ma th??¨se de doctorat portait sur " le processus d'émergence de l'intelligence collective dans les équipes de travail. Proposition d'un...
test qi Test d'intelligence
Test d'intelligence 3
interdisciplines : Rethinking Interdisciplinarity : Evaluer le travail interdisciplinaire aux frontières. Une recherche empirique des 'symptômes de qualité'

How does one ascertain the quality of interdisciplinary work when criteria from the individual disciplines do not suffice? Assessment is one of the most important and least understood aspects of interdisciplinary research. Building on an empirical study of interdisciplinary work in exemplary institutions, we describe common challenges and propose epistemic criteria by which interdisciplinary work can by evaluated.
test qi Définir l'intelligence
Définir l'intelligence 4
Jean-Michel Truong - Totalement inhumaine - Mises à jour périodiques - intelligence artificielle - vie artificielle

Jean-Michel Truong - Totalement inhumaine - Mises à jour périodiques - intelligence artificielle - vie artificielle
test qi L'intelligence artificielle
L'intelligence artificielle 9
L'intelligence artificielle

A quoi s'intéresse l'intelligence artificielle ? D'une part, cette discipline cherche ??  créer des machines intelligentes simulant nos processus de raisonnement et d'acquisition des connaissances. D'autre part, avec ses mod??¨les mathématiques et informatiques, elle sert ??  étudier nos facultés mentales. Ses domaines d'application sont la démonstration automatique de théor??¨mes, le traitement du langage écrit et oral, la vision, la robotique, les jeux, les syst??¨mes experts, etc. Elle remet en question lâ??intelligence, la mémoire, la relation entre lâ??esprit et la mati??¨re, lâ??origine du langage, le raisonnement symbolique, le traitement de linformation. L'IA (intelligence artificielle) pose des questions telles que : peut-il y avoir de la pensée sans expérience, de lâ??esprit sans communication, de lintelligence sans vie ?
2024 © Test QI    Révoquer votre décision