Dans le cadre de ce travail de fin d’études, une architecture télématique spécifique a été développée et expérimentée à partir de capteurs réels. Un réseau télématique spécifique est proposé et mis en œuvre à travers la technique du « Fog Computing ». En effet, les techniques « Fog » sont de plus en plus utilisées vu leur proximité au niveau du réseau local. De plus, elles permettent une réduction du temps de gestion des données, une haute disponibilité même en cas de coupure d’Internet ainsi qu’une amélioration de la qualité du service rendu par rapport au Cloud Computing.

En effet, dans le contexte de la surveillance de la santé, il est impératif d’être réactif à tout moment, ce que ne permet pas dans tous les cas le « Cloud Computing ».

Ainsi, la plateforme logicielle développée à partir de l’architecture de stockage nous a permis de mettre en place aisément un monitoring des données sous forme de graphes et la génération d’alertes, par exemple : l’arrêt ou l’arythmie cardiaque, l’hypotension ou l’hypertension, la chute du patient, etc.

Pour ce faire j’adapte un algorithme souvent utilisé en récupération intermodale entre textes et images, au nom d’Analyse de Corrélations Canoniques Profonds (ACCP).

L’ACC est une méthode statistique permettant de réduire simultanément l’espace des deux modalités, ici texte et son, tout en maximisant les corrélations entre eux. Ainsi une modalité peut être déduite à partir de l’autre et vice versa. Le « profond » dans le nom provient du fait que les coefficients de projections seront appris par un réseau de neurones à deux entrées. Une entrée pour le texte, et une entrée pour les sons.

Pour entrainer le modèle je constitue une base de données à partir de fichiers retrouvés sur le site web « freesound.org ». Une fois le réseau entrainé, on calcule les coefficients de projections et on projette les données dans l’espace de récupération. Afin de sélectionner les documents les plus proches de notre requête texte, j’utilise la mesure de similarité cosinus.

Faute de travaux similaires, je compare mon système à un système de récupération aléatoire. Le système semble prometteur, il y a récupération du bon son dans près de 10% des cas. Néanmoins la métrique est sensible au nombre de données dans le champ de récupération. Afin de bien pouvoir déterminer les performances il faudrait y allier une évaluation qualitative, c’est-à-dire des humains pouvant juger de la pertinence des sons récupérés.

Sources des images :

[1] Matthias Dorfer et al. “End-to-end cross-modality retrieval with CCA projections and pairwise ranking loss”. In: International Journal of Multimedia Information Retrieval 7.2 (June 2018), pp. 117–128. issn: 2192-662X. doi: 10.1007/s13735-018-0151-5. url: https://doi.org/10.1007/s13735-018-0151-5.

The proposed methodology was evaluated on two case studies: EasyTips and Amazon Fine Food. A neighborhood-based method and a biased regularized matrix factorization model were implemented. Experimental results gave very convincing results from both mathematical and business viewpoints. Furthermore, an active learning method was implemented for the purpose of knowing who to question to rapidly reach good prediction performance.

Dans ce travail, nous avons développé un nouveau modèle appelé « Analyse par archétypes presque convexe » (NCAA) qui relaxe la contrainte de convexité sur les archétypes tout en garantissant une grande interprétabilité.

Nous avons utilisé une architecture de descente de coordonnées en blocs pour résoudre ce problème d’optimisation contraint et non-convexe et avons développé des procédures pour l’optimisation et la projection de certaines matrices, ou pour le choix de certains paramètres.

Notre modèle a montré des bonnes performances sur des données , que ce soit en faible ou grande dimension par rapport aux modèles existants (par ex. le modèle « Minimum Volume NMF »).

Par ailleurs, NCAA est également efficace pour extraire les signatures spectrales des matériaux de base et les cartes d’abondances dans des images hyperspectrales ou en séparation de sources audio (voir ci-dessous).

With the emergence of new technologies such as IOT devices or the multiplication of security cameras, data generation is sharply increasing.

In terms of data processing, Deep Neural Networks have proven to be more efficient than older Machine Learning algorithms when working with great amounts of data. However, this class of algorithms requires huge amounts of time to achieve great results.

In order to deal with this time-consuming problem, we propose an approach based on an ensemble-based MapReduce algorithm. This algorithm relies on a training set division to speed up the training phase of each DNN. Then, each DNN processes the whole test set and a major voting is employed as ensemble method to improve the results obtained on each DNN.

Finally, results are discussed and we conclude on the viability of this algorithm, when and why it can be used or not.

Nowadays and since a couple of years, the different digital technologies are promoted by the behavior of the population. The growth in the use of internet is the principal reason to this fact.

In this work, a technic of matrix factorization for recommender system will be reviewed and used : singular value decomposition for sparse matrix.

Then, three different kinds of active learning algorithms will be used in order to improve the accuracy of the recommender system.

All the links correspond to bivariate copulae that are tools to model the dependence between two of the attributes of the given dataset.

By the help of the joint distribution, the missing values in the dataset are replaced with coherent estimations obtained by the generation of a theoretical sample (more points of the same population).

Dimensionality is reduced by selecting useful features for the data analysis algorithms. Dependence between attributes is modelled by bivariate copulae and allows removing redundant features from the dataset.

Finally, copula theory is applied to improve the Naive Bayes algorithm (classification algorithm) and develop a new probabilistic classifier. This probabilistic classifier lets the user with levels of confidence in the observed predictions.

By the development of these three new algorithms, that master thesis shows how probability and especially the copula concept can be used to address data mining problematics and incite the data scientist community to consider these methods in future researches.

Il y a de plus en plus d’objets connectés. Ces appareils forment ce qu’on appelle l’Internet of Thing, IoT. Ils créent une très grande quantité de données. Le Deep Learning peut extraire des informations intéressantes sans l’intervention d’un humain. Mais ce sont des tâches relativement lourdes et le Cloud Computing peut se charger de cela. Il y a deux gros problèmes à l’utilisation du Cloud :

• Puisqu’il faut envoyer toutes les données vers le Cloud, la bande passante peut ne pas être suffisante et donc diminuer l’efficacité du Cloud
• On envoie les données brutes, qui peuvent être privées et sensibles.

Pour ces deux raisons, le concept de Fog Computing a été formalisé en 2014 par Cisco. Il consiste à apporter la puissance du Cloud au plus proche de l’endroit où les données ont été créées. Il est composé de différents appareils connectés ou autres petits serveurs (qu’on appelle Fog nodes) qui forment un réseau local avec les appareils IoT (qui créent les données).

Le Deep Learning peut se combiner parfaitement avec le Fog Computing car on peut facilement séparer le réseau de neurones. Les couches inférieures sont exécutées dans les Fog nodes. Cela crée des features qui sont généralement de plus petite taille que les données brutes. Ces features sont envoyés dans le Cloud qui exécutées les couches supérieures du réseau de neurones.

Grâce à cela, on économise beaucoup de bande passante et on n’envoie plus les données brutes, et c’est bien le but de l’utilisation du Fog.

Dans ce mémoire, nous analysons l'impact de la représentation de l'image sur un système de recommandation basé sur le contenu et un système de recommandation hybride utilisant les images en tant qu'informations complémentaires pour le filtrage collaboratif.

Les cartes de saillance visuelle, donnant pour chaque pixel de l’image se probabilité d’attirer l’attention humaine, sont utilisées en tant que représentation de l’image et comparées aux performances des images originales pour différentes bases de données dans nos deux systèmes de recommandation.

Une boucle automatisée a été mise en place, permettant de générer de nombreux nuages de points, chacun avec un jeu de paramètres différents. Chaque modèle est ensuite comparé à une référence pour en évaluer la qualité. Plus de 800 modèles ont ainsi été reconstruits, permettant de mettre en évidence l’influence des variables sur le temps de calcul et la qualité du modèle généré. Dans les conditions fixées pour l’étude, il est possible d’estimer la durée du processus de construction du nuage de points avec un modèle exploitant la régression.

La première étape a été de se familiariser avec l’apprentissage par renforcement et les notions d’état, action et récompense en utilisant le Q-learning pour comprendre l’influence des différents paramètres.

Ensuite, quand la taille des données et le temps de traitement ont augmenté, les réseaux de neurones profonds ont été utilisés pour approximer le Q-learning.

Pour terminer, la bibliothèque OpenAI Gym à fournit plusieurs environnements pour implémenter et tester des méthodes et algorithmes pour améliorer les résultats en terme de valeur(récompense) et de temps de traitement.

La simulation permet aux Hommes de se confronter à des situations frôlant le réel sans pour autant mettre la vie de quiconque en danger.

Dans le domaine médical, elles sont de plus en plus utilisées, cela permet aux étudiants ou travailleurs inexpérimentés de pouvoir s’entrainer sans risquer d’impacter la santé d’un quelconque patient.

Certains mannequins sophistiqués sont utilisés en médecine pour ces simulations de cas d’urgence.

L’intégration de la détection d’image ou du SpatialMapping (détection d’environnement à l’aide de plusieurs caméras du casque) permet de placer le visage virtuel au bon endroit sur le mannequin dans l’environnement réel.

Néanmoins, les réseaux de neurones artificiels constituent des méthodes efficaces pour la recherche d’images basée sur des esquisses. Les dernières techniques d’entraînement de ces derniers permettent de créer un réseau de qualité pour la conception d’un moteur de recherche.

Dans ce travail, nous avons implémenté, dans une première partie, des réseaux de neurones triplets et quadruplets afin d’obtenir le meilleur moteur de recherche possible.

Dans une seconde partie, nous avons développé un réseau de neurones convolutionnel binarisant. Il nous a permis de concevoir un moteur de recherche efficace en termes de rappel, temps de calcul et coût de stockage. Ce dernier réseau utilise la binarisation qui permet de réduire le temps des requêtes et le coût de stockage.

L’approche proposée est appliquée à un cas d’étude, dont le but est de déterminer la présence ou non d’une recrudescence du score de douleur dont souffrent les patients après une intervention.

Diverses méthodes de sélection d'attributs ont été appliquées à ce cas en suivant l’approche proposée. Ces sélections, ainsi que des sélections effectuées par un expert, ont été évaluées suivant divers critères et en utilisant des algorithmes couramment utilisés dans le domaine de la classification de données médicales. Une comparaison a été effectuée entre les performances des diverses sélections, selon l’origine automatique ou humaine de celles-ci et l'intelligibilité de ces sélections a également été évaluée.

paragraphe

paragraphe

paragraphe

paragraphe