BEGIN:VCALENDAR
VERSION:2.0
PRODID:-//Bordeaux Neurocampus - ECPv4.9.10//NONSGML v1.0//EN
CALSCALE:GREGORIAN
METHOD:PUBLISH
X-WR-CALNAME:Bordeaux Neurocampus
X-ORIGINAL-URL:https://www.bordeaux-neurocampus.fr/en/
X-WR-CALDESC:Events for Bordeaux Neurocampus
BEGIN:VTIMEZONE
TZID:Europe/Paris
BEGIN:DAYLIGHT
TZOFFSETFROM:+0100
TZOFFSETTO:+0200
TZNAME:CEST
DTSTART:20180325T010000
END:DAYLIGHT
BEGIN:STANDARD
TZOFFSETFROM:+0200
TZOFFSETTO:+0100
TZNAME:CET
DTSTART:20181028T010000
END:STANDARD
END:VTIMEZONE
BEGIN:VEVENT
DTSTART;TZID=Europe/Paris:20180302T140000
DTEND;TZID=Europe/Paris:20180302T140000
DTSTAMP:20260422T210241
CREATED:20180302T161732Z
LAST-MODIFIED:20190625T094338Z
UID:108839-1519999200-1519999200@www.bordeaux-neurocampus.fr
SUMMARY:Thèse d'Ikram CHRAIBI KAADOUD
DESCRIPTION:Thèse soutenue le 2 mars 2018. \nApprentissage de séquences et extraction de règles de réseaux récurrents : application au traçage de schémas techniques. \nDirecteur  de thèse: Frédéric Alexandre\,\nCo-directeur Nicolas Rougier de l’IMN\, équipe “Mnemosyne” \nRésumé\nLes connaissances implicites d’individu s’acquièrent selon deux moyens. Le premier consiste en la répétition de séquences\, ce qui permet à l’individu d’extraire implicitement des régularités. Le second moyen est une migration de connaissances explicites en connaissances implicites dut au développement d’une expertise. Il s’agit dans les deux cas d’apprentissage implicite. Dans nos travaux\, nous avons souhaité nous pencher sur les séquences de composants électriques et notamment la problématique d’extraction des règles implicites dans ces séquences\, aspect important de l’extraction de l’expertise métier à partir des schémas techniques. Nous nous plaçons dans le domaine connexionniste\, et nous avons en particulier considéré des modèles neuronaux capables de traiter des séquences. Nous avons implémenté deux réseaux de neurones récurrents : le modèle de Elman\, le Simple Recurrent Network\, et un modèle doté d’unités LSTM (Long Short Term Memory). Nous avons évalué ces deux modèles sur différentes grammaires artificielles (grammaire de Reber et ses variations) au niveau de l’apprentissage\, de leurs capacités de généralisation de celui-ci et leur gestion de dépendances séquentielles. Finalement\, nous avons aussi montré qu’il était possible d’extraire les règles encodées (issues des séquences) dans le réseau récurrent doté de LSTM\, sous la forme d’automate. Le domaine électrique est particulièrement pertinent pour cette problématique car il est plus contraint (combinatoire plus réduite) que la planification de tâches dans des cas plus généraux comme la navigation par exemple\, qui pourrait constituer une perspective de ce travail. \nPublication\nImplicit knowledge extraction and structuration from electrical diagrams\nIkram Chraibi Kaadoud\, Nicolas P. Rougier\, Frédéric Alexandre / Mnemosyne – Mnemonic Synergy. LaBRI – Laboratoire Bordelais de Recherche en Informatique\, Inria Bordeaux – Institut des Maladies Neurodégénératives [Bordeaux] 2017\, Advances in Artificial Intelligence: From Theory to Practice\, 235-241|Springer Link \nJury\n\nHelene Sauzeon\nProfesseure des Universités\, Université de Bordeaux\, Présidente du Jury\nFrédéric Alexandre\nDirecteur de recherche\, Inria\, Directeur\nNicolas Rougier\nChargé de recherche HDR\, Inria Co Directeur\nMichel Paindavoine\nProfesseur des Universités\, Université de Bourgogne\, Rapporteur\nArnaud Revel\nProfesseur des Universités\, Université de La Rochelle\, Rapporteur\nAnke Brock\nEnseignante-chercheuse\, ENAC Examinatrice\nHervé Frezza-Buet\nProfesseur\, Centrale Supelec Examinateur \n\n
URL:https://www.bordeaux-neurocampus.fr/en/event/these-dikram-chraibi-kaadoud/
CATEGORIES:Thesis
END:VEVENT
END:VCALENDAR