Modèles Relationnels Probabilistes et Incertitude de Références : Apprentissage de structure avec algorithmes de partitionnement

Nous sommes entourés de données hétérogènes et interdépendantes. L hypothèse i.i.d. a montré ses limites dans les algorithmes considérant des jeux de données tabulaires, constitués d individus dotés du même domaine de définition et sans influence mutuelle. L apprentissage relationnel statistique a p...

Description complète

Détails bibliographiques
Auteurs principaux : Coutant Anthony (Auteur), Leray Philippe (Directeur de thèse, Membre du jury), Le Capitaine Hoël (Directeur de thèse, Membre du jury), Gaussier Éric (Président du jury de soutenance, Membre du jury), Gonzales Christophe (Rapporteur de la thèse, Membre du jury), Velcin Julien (Rapporteur de la thèse, Membre du jury), Kanawati Rushed (Membre du jury), Mekhnacha Kamel (Membre du jury)
Collectivités auteurs : Université Nantes-Angers-Le Mans - COMUE 2009-2015 (Organisme de soutenance), Université de Nantes 1962-2021 (Organisme de soutenance), École polytechnique de l'Université de Nantes (Organisme de soutenance), École doctorale Sciences et technologies de l'information et mathématiques Nantes (Organisme de soutenance), Laboratoire d Informatique de Nantes Atlantique (UMR 6241) Nantes (Ecole doctorale associée à la thèse)
Format : Thèse ou mémoire
Langue : français
Titre complet : Modèles Relationnels Probabilistes et Incertitude de Références : Apprentissage de structure avec algorithmes de partitionnement / Anthony Coutant; sous la direction de Philippe Leray ; co-encadrant de thèse Hoel Le Capitaine
Publié : Nantes : Université de Nantes , 2015
Accès en ligne : Accès Nantes Université
Note de thèse : Reproduction de : Thèse de doctorat : Informatique et applications : Nantes : 2015
Sujets :
Documents associés : Reproduction de: Modèles Relationnels Probabilistes et Incertitude de Références