This HTML5 document contains 17 embedded RDF statements represented using HTML+Microdata notation.

The embedded RDF content will be recognized by any processor of HTML5 Microdata.

Subject Item

n2:id

rdf:type

frbr:Work rdac:C10001

marcrel:aut

n12:id

dc:subject

Thèses et écrits académiques BASE DONNEE/INTELLIGENCE ARTIFICIELLE/APPRENTISSAGE/REPRESENTATION CONNAISSANCES/ANALYSE IMAGE/TELEDETECTION/BASE DONNEE STRUCTURELLE/CD DATABASE/ARTIFICIAL INTELLIGENCE/LEARNING/KNOWLEDGE REPRESENTATION/IMAGE ANALYSIS/REMOTE SENSING/STRUCTURAL DATABASE/CD SCIENCES APPLIQUEES : INFORMATIQUE, AUTOMATIQUE THEORIQUE, SYSTEMES

skos:prefLabel

DECOUVERTE DE CONCEPTS STRUCTURES DANS LES BASES DE DONNEES

dcterms:language

n5:fra

dcterms:subject

n9:id

dc:title

DECOUVERTE DE CONCEPTS STRUCTURES DANS LES BASES DE DONNEES

marcrel:dgg

n16:id

skos:note

L'APPRENTISSAGE EST UNE CAPACITE FONDAMENTALE, QUI PERMET A UN SYSTEME ARTIFICIEL D'AMELIORER SON COMPORTEMENT AU FIL DE SON EXPERIENCE. EN PARTICULIER, LA FORMATION DE CONCEPTS (C'EST-A-DIRE L'APPRENTISSAGE INCREMENTAL NON-SUPERVISE, DONT LE RESULTAT EST UNE HIERARCHIE DE CONCEPTS) PERMET LA CREATION, DE FACON AUTONOME, D'UNE REPRESENTATION DU MONDE OBSERVE. CETTE THESE EST MAJORITAIREMENT CONSACREE A CE TYPE DE PROCESSUS. UN CHAPITRE DECRIT L'UTILISATION DE LA FORMATION DE CONCEPTS POUR L'ANALYSE D'IMAGES DE TELEDETECTION, DOMAINE DONT UNE DES PARTICULARITES EST LE VOLUME IMPORTANT DES DONNEES A MANIPULER. CEPENDANT, DE NOMBREUX DOMAINES D'APPLICATION POSSEDENT UNE COMPLEXITE STRUCTURELLE INTRINSEQUE, QUI DOIT ETRE EXPLICITEMENT PRISE EN COMPTE AFIN D'EVITER UN NOMBRE EXCESSIF DE PRE-TRAITEMENTS. SELON NOTRE APPROCHE, LA STRUCTURE D'UN DOMAINE PEUT SE REPRESENTER PAR UN GRAPHE, DONT LES SOMMETS REPRESENTENT LES DIFFERENTS NIVEAUX DE DETAIL AUXQUELS L'INFORMATION EST OBSERVEE, ET DONT LES ARCS REPRESENTENT LES ATTRIBUTS UTILISES. LA PARTIE CENTRALE DE CETTE THESE DEFINIT TROIS NOUVEAUX TYPES D'ATTRIBUTS, CORRESPONDANT A TROIS MODALITES D'ASSOCIATIONS DES OBSERVATIONS ENTRE DIFFERENTS NIVEAUX D'ABSTRACTION. LES DEUX PREMIERS TYPES, LES ATTRIBUTS STRUCTURES ET MULTI-VALUES, CORRESPONDENT A DES NOTIONS UTILISEES EN MODELISATION DES DONNEES (LES ASSOCIATIONS UNIVOQUES ET MULTIPLES). LE TROISIEME TYPE, LES ATTRIBUTS SEQUENTIELS, INTRODUIT LA NOTION DE SEQUENTIALITE, POUR DECRIRE L'EVOLUTION (TEMPORELLE, SPATIALE, OU AUTRE) D'UN OBJET, AUSSI COMPLEXE SOIT-IL. DANS LES TROIS CAS, LES MECANISMES NECESSAIRES A L'APPRENTISSAGE SONT DEFINIS ET ANALYSES. LE DERNIER CHAPITRE TRAITE DU PROBLEME DE LA DECOUVERTE DE CONNAISSANCES DANS LES BASES DE DONNEES, ET S'ATTACHE A DECRIRE DE QUELLE FACON UN SCHEMA DE BASE DE DONNEES PEUT SE TRADUIRE EN UN ESPACE D'ABSTRACTION, DE FACON A POUVOIR APPLIQUER LES MECANISMES DE FORMATION DE CONCEPTS PRECEDEMMENT DECRITS

dc:type

Text

n7:P1001

n8:T1009

rdaw:P10219

1995

rdau:P60049

n15:1020