Identifiant pérenne de la notice : 254996817
Notice de type
Notice de regroupement
Note publique d'information : Ces dernières années ont été marquées par l'émergence d'un grand nombre de base données
dans de nombreux domaines comme la médecine par exemple. La création de ces bases
données a ouvert la voie à de nouvelles applications. Les propriétés des données sont
parfois complexes (non linéarité, dynamique, grande dimension ou encore absence d'étiquette)
et nécessite des modèles d'apprentissage performants. Parmi les modèles d'apprentissage
existant, les réseaux de neurones artificiels ont connu un large succès ces dernières
décennies. Le succès de ces modèles repose sur la non linéarité des neurones, l'utilisation
de variables latentes et leur grande flexibilité leur permettant de s'adapter à de
nombreux problèmes. Les machines de Boltzmann présentées dans cette thèse sont une
famille de réseaux de neurones non supervisés. Introduite par Hinton dans les années
80, cette famille de modèle a connu un grand intérêt dans le début du 21e siècle et
de nouvelles extensions sont proposées régulièrement.Cette thèse est découpée en deux
parties. Une partie exploratoire sur la famille des machines de Boltzmann et une partie
applicative. L'application étudiée est l'apprentissage non supervisé des signaux électroencéphalogramme
intracrânien chez les rats Parkinsonien pour le contrôle des symptômes de la maladie
de Parkinson.Les machines de Boltzmann ont donné naissance aux réseaux de diffusion.
Il s'agit de modèles non supervisés qui reposent sur l'apprentissage d'une équation
différentielle stochastique pour des données dynamiques et stochastiques. Ce réseau
fait l'objet d'un développement particulier dans cette thèse et un nouvel algorithme
d'apprentissage est proposé. Son utilisation est ensuite testée sur des données jouet
ainsi que sur des données réelles.
Note publique d'information : The past recent years have been marked by the emergence of a large amount of database
in many fields like health. The creation of many databases paves the way to new applications.
Properties of data are sometimes complex (non linearity, dynamic, high dimensions)
and require to perform machine learning models. Belong existing machine learning models,
artificial neural network got a large success since the last decades. The success
of these models lies on the non linearity behavior of neurons, the use of latent units
and the flexibility of these models to adapt to many different problems. Boltzmann
machines presented in this thesis are a family of generative neural networks. Introduced
by Hinton in the 80's, this family have got a large interest at the beginning of the
21st century and new extensions are regularly proposed.This thesis is divided into
two parts. A first part exploring Boltzmann machines and their applications. In this
thesis the unsupervised learning of intracranial electroencephalogram signals on rats
with Parkinson's disease for the control of the symptoms is studied.Boltzmann machines
gave birth to Diffusion networks which are also generative model based on the learning
of a stochastic differential equation for dynamic and stochastic data. This model
is studied again in this thesis and a new training algorithm is proposed. Its use
is tested on toy data as well as on real database.
paprika.idref.fr
data.idref.fr
Documentation
