Nantilus
Contributions en classification automatique : agrégation bayésienne de mélanges de lois et visualisation interactive
Internet, ainsi que des architectures récentes telles que les réseaux de capteurs, sont le siège de masses de sources de données distribuées à large echelle, en perpétuelle croissance. Cette profusion, accompagnée du besoin d'outillage des utilisateurs, implique le développement de techniques d...
Enregistré dans:
| Auteur principal : | |
|---|---|
| Collectivités auteurs : | , , |
| Autres auteurs : | , |
| Format : | Thèse ou mémoire |
| Langue : | français |
| Titre complet : | Contributions en classification automatique : agrégation bayésienne de mélanges de lois et visualisation interactive / Pierrick Bruneau; sous la direction de Marc Gelgon, co-encadrant Fabien Picarougne |
| Publié : |
[S.l.] :
[s.n.]
, 2010 |
| Description matérielle : | 1 vol. (181 f.) |
| Note de thèse : | Thèse de doctorat : Informatique : Nantes : 2010 |
| Disponibilité : | Publication autorisée par le jury |
| Sujets : | |
| Documents associés : | Reproduction de:
Contributions en classification automatique |
| Résumé : | Internet, ainsi que des architectures récentes telles que les réseaux de capteurs, sont le siège de masses de sources de données distribuées à large echelle, en perpétuelle croissance. Cette profusion, accompagnée du besoin d'outillage des utilisateurs, implique le développement de techniques d'analyse et d'indexation adaptées. Les techniques de classification automatique concernent la caractérisation de classes dans un ensemble d'éléments. Celles-ci sont très souvent employées pour la réalisation d'outils rendant l'information accessible aux utilisateurs. Dans le cadre de cette thèse, nous avons contribué a l'agrégation de modèles de mélange de distributions de probabilité. Cette classe de modèles est en effet souvent utilisée pour des tâches de catégorisation. Nos propositions, utilisant un formalisme bayesien variationnel, sont caracterisées par des coûts de calcul et de transmission réduits. Avec ces travaux, nous entendions fournir une solution partielle à l'estimation de modèles sur des données distribuées. Nous avons également contribué à la classication visuelle de données en flux. Pour ce faire, nous avons notamment employé des principes bio-mimétiques, ou encore des résultats de la théorie des graphes. Outre la proposition d'interfaces efficaces pour un utilisateur, nous avons également envisagé la manière dont celui-ci peut rétro-agir sur le processus de classification. The internet and recent architectures such as sensor networks are currently witnessing tremendous and continuously growing amounts of data, often distributed on large scales. Combined with user expectations with respect to tooling, this encourages developing adequate techniques for analyzing and indexing. Classication and clustering tasks are about characterizing classes within data collections. These are often used as building blocks for designing tools aimed at making data accessible to users. In this document, we describe our contributions to mixture models aggregation. These models are classically used for content categorization. Using variational Bayesian principles, we aimed at designing low computation and transmission costs algorithms. Doing so, we aimed at proposing a building block for distributed density model estimation. We also contributed to visual classication applied to data streams. To this purpose, we employed bio-mimetic principles, and results from graph theory. More specically, visual and dynamic abstractions of an underlying clustering process were proposed. We strived to provide users with ecient interfaces, while allowing using their actions as a feedback. |
|---|---|
| Variantes de titre : | Contributions to categorization learning, mixture models aggregation and interactive visualization |
| Bibliographie : | Bibliogr. f. 157-170. |