Apprentissage multi label extrême : comparaisons d'approches et nouvelles propositions

Apprentissage multi label extrême : comparaisons d'approches et nouvelles propositions

Stimulé par des applications comme l annotation de documents ou d images, l apprentissage multi-label a connu un fort développement cette dernière décennie. Mais les algorithmes classiques se heurtent aux nouveaux volumes des données multi-label extrême (XML) où le nombre de labels peut atteindre le...

Description complète

Enregistré dans:
Détails bibliographiques
Auteurs principaux : Siblini Wissam (Auteur), Kuntz-Cosperec Pascale (Directeur de thèse), Meyer Frank (Directeur de thèse), Fromont Élisa (Président du jury de soutenance), Canu Stéphane (Rapporteur de la thèse), Habrard Amaury (Rapporteur de la thèse), Poggi Jean-Michel (Membre du jury)
Collectivités auteurs : Université de Nantes 1962-2021 (Organisme de soutenance), École doctorale Mathématiques et sciences et technologies de l'information et de la communication Rennes (Ecole doctorale associée à la thèse), Université Bretagne Loire 2016-2019 (Autre partenaire associé à la thèse), Laboratoire des Sciences du Numérique de Nantes (Laboratoire associé à la thèse)
Format : Thèse ou mémoire
Langue : français
Titre complet : Apprentissage multi label extrême : comparaisons d'approches et nouvelles propositions / Wissam Siblini; sous la direction de Pascale Kuntz-Cosperec et de Frank Meyer
Publié : 2018
Accès en ligne : Accès Nantes Université
Note sur l'URL : Accès au texte intégral
Note de thèse : Thèse de doctorat : Informatique : Nantes : 2018
Sujets :
Apprentissage supervisé (intelligence artificielle)
Arbres de décision
Algorithme CraftML
Thèses et écrits académiques

Internet

http://www.theses.fr/2018NANT4083/document