A partir de cette page vous pouvez :
| Retourner au premier écran avec les dernières notices... |
Résultat de la recherche
3 résultat(s) recherche sur le tag 'learning'
Affiner la recherche Interroger des sources externesApprentissage et Adaptation pour des Ensembles de Robots Réactifs Coopérants / P. LUCIDARME
Titre : Apprentissage et Adaptation pour des Ensembles de Robots Réactifs Coopérants Type de document : texte imprimé Auteurs : P. LUCIDARME, Auteur Année de publication : 2003 Langues : Français (fre) Tags : SYSTEMES MULTI-ROBOTS APPRENTISSAGE RESEAU DE NEURONES ARTIFICIELS ALGORITHMES EVOLUTIONNISTES CIRCUIT SIMULE SYSTEMES MULTI-ROBOTS APPRENTISSAGE RESEAUX DE NEURONES ARTIFICIELLES ALGORITHMES EVOLUTIONNISTES APPRENTISSAGE PAR RENFORCEMENT RECUIT SIMULE MANIPULATEUR MOBILE MINIATURE LEARNING AND ADAPTATION FOR GROUPS OF REACTIV AND COOPERANT ROBOTS MULTI-ROBOT SYSTEMS LEARNING ARTIFICIAL NEURAL NETWORKS EVOLUTIONIST ALGORITHMS REINFORCEMENT LEARNING SIMULATED ANNEALING MINIATURE MOBILE MANIPULATOR GENIE INFORMATIQUE, AUTOMATIQUE ET TRAITEMENT DU SIGNAL Index. décimale : THE Thèses de doctorat Résumé : Ces travaux de thèse se placent dans le contexte des systèmes multi-agents distribués. L'objectif est l'étude de méthodes d'auto-apprentissage appliquées à des ensembles de robots réactifs. Ces travaux se focalisent sur l'apprentissage de comportements sensori-moteurs de bas niveaux. Il nous semble important que les méthodes proposées puissent être appliquées sur des systèmes réels, dont les contraintes sont parfois loin de celles de la simulation. C'est pour cette raison que nous avons imaginé et conçu une plate-forme expérimentale composée de 4 robots mobiles, un manipulateur mobile miniature et un système de vision stéréoscopique. Cette étude se décompose en deux parties. La première, appliquée aux systèmes homogènes, présente l'étude de méthodes évolutionnistes appliquées aux systèmes multi-robots. La seconde, appliquée aux systèmes hétérogènes, s'intéresse à la possibilité d'utiliser la technique du recuit simulé pour optimiser les poids d'un contrôleur neuronal. Toujours dans ce contexte d'hétérogénéité, une seconde méthode basée sur l'apprentissage par renforcement est expérimentée.
The aim of this work is to build fault tolerant cooperative multi-robots systems. Our approach uses self-learning techniques to control groups of reactive robots. This work focuses on learning low level sensori-motor behaviors. It seems important that the proposed methods may be implemented on real robots. The constraint of such real systems is sometime far from simulated worlds. This is why we imagined, designed and build an experimental platform composed of four mobile robots, one miniature mobile manipulator and a stereoscopic vision system. This study is composed of two parts. The first one is applied to homogeneous systems. Evolutionist techniques are studied. The second one, applied to heterogeneous systems, focuses on using simulated annealing procedure to optimize the synaptic weight of a neuro-controller. Another method is also experimented, based on reinforcement learning.Directeur(s) de thèse : ZAPATA R.;LIEGOIS A. Président du jury : FERBER J. Rapporteur(s) : ALAMI R.;DUHAUT D. Examinateur(s) : VERCHER J.L. Date de soutenance : 07/11/2003 Apprentissage et Adaptation pour des Ensembles de Robots Réactifs Coopérants [texte imprimé] / P. LUCIDARME, Auteur . - 2003.
Langues : Français (fre)
Tags : SYSTEMES MULTI-ROBOTS APPRENTISSAGE RESEAU DE NEURONES ARTIFICIELS ALGORITHMES EVOLUTIONNISTES CIRCUIT SIMULE SYSTEMES MULTI-ROBOTS APPRENTISSAGE RESEAUX DE NEURONES ARTIFICIELLES ALGORITHMES EVOLUTIONNISTES APPRENTISSAGE PAR RENFORCEMENT RECUIT SIMULE MANIPULATEUR MOBILE MINIATURE LEARNING AND ADAPTATION FOR GROUPS OF REACTIV AND COOPERANT ROBOTS MULTI-ROBOT SYSTEMS LEARNING ARTIFICIAL NEURAL NETWORKS EVOLUTIONIST ALGORITHMS REINFORCEMENT LEARNING SIMULATED ANNEALING MINIATURE MOBILE MANIPULATOR GENIE INFORMATIQUE, AUTOMATIQUE ET TRAITEMENT DU SIGNAL Index. décimale : THE Thèses de doctorat Résumé : Ces travaux de thèse se placent dans le contexte des systèmes multi-agents distribués. L'objectif est l'étude de méthodes d'auto-apprentissage appliquées à des ensembles de robots réactifs. Ces travaux se focalisent sur l'apprentissage de comportements sensori-moteurs de bas niveaux. Il nous semble important que les méthodes proposées puissent être appliquées sur des systèmes réels, dont les contraintes sont parfois loin de celles de la simulation. C'est pour cette raison que nous avons imaginé et conçu une plate-forme expérimentale composée de 4 robots mobiles, un manipulateur mobile miniature et un système de vision stéréoscopique. Cette étude se décompose en deux parties. La première, appliquée aux systèmes homogènes, présente l'étude de méthodes évolutionnistes appliquées aux systèmes multi-robots. La seconde, appliquée aux systèmes hétérogènes, s'intéresse à la possibilité d'utiliser la technique du recuit simulé pour optimiser les poids d'un contrôleur neuronal. Toujours dans ce contexte d'hétérogénéité, une seconde méthode basée sur l'apprentissage par renforcement est expérimentée.
The aim of this work is to build fault tolerant cooperative multi-robots systems. Our approach uses self-learning techniques to control groups of reactive robots. This work focuses on learning low level sensori-motor behaviors. It seems important that the proposed methods may be implemented on real robots. The constraint of such real systems is sometime far from simulated worlds. This is why we imagined, designed and build an experimental platform composed of four mobile robots, one miniature mobile manipulator and a stereoscopic vision system. This study is composed of two parts. The first one is applied to homogeneous systems. Evolutionist techniques are studied. The second one, applied to heterogeneous systems, focuses on using simulated annealing procedure to optimize the synaptic weight of a neuro-controller. Another method is also experimented, based on reinforcement learning.Directeur(s) de thèse : ZAPATA R.;LIEGOIS A. Président du jury : FERBER J. Rapporteur(s) : ALAMI R.;DUHAUT D. Examinateur(s) : VERCHER J.L. Date de soutenance : 07/11/2003 Réservation
Réserver ce document
Exemplaires
Cote Support Localisation Section Notes Disponibilité THE-03 / 9902 Papier THESES NON CLASSES Disponible Documents numériques
Fichier (PDF)URL
Titre : Compilation et Apprentissage dans les Réseaux de Contraintes Type de document : texte imprimé Auteurs : H. CROS, Auteur Année de publication : 2003 Langues : Français (fre) Tags : RESEAUX DE CONTRAINTES COMPILATION DE CONNAISSANCES APPRENTISSAGE INSTANCE BASED LEARNING CASE BASED LEARNING RESEAUX DE CONTRAINTES COMPILATION DE CONNAISSANCES COMPILATION APPROXIMATIVE APPRENTISSAGE INSTANCE BASED LEARNING CASE BASED LEARNING CONSTRAINT NETWORKS KNOWLEDGE COMPILATION APPROXIMATION LEARNING INSTANCE BASED LEARNING CASE BASED LEARNING Index. décimale : THE Thèses de doctorat Résumé : Cette thèse porte sur la compilation des réseaux de contraintes. Tout d'abord nous définissons et rangeons dans les classes de complexité de compilation les requêtes qui peuvent être posées sur un réseau de contraintes. Ensuite, puisque les requêtes intéressantes ne s'avèrent pas compilables, nous examinons deux voies détournées pour traiter ces requêtes : la compilation approximative, et l'apprentissage. La compilation approximative consiste à altérer le réseau de contraintes de façon à ce que sa résolution devienne polynomiale. Nous examinons donc deux approches complémentaires de l'altération du réseau : l'altération de sa structure, puis celle de sa sémantique. Ces deux approches s'avèrent complémentaires tant dans la qualité que dans le dénombrement de leurs bornes, ce qui laisse présager qu'une compilation hybride serait probablement plus efficace. Cependant, bien que pour certaines des bornes nous garantissons l'optimalité, l'analyse des bornes laisse apparaître un encadrement trop grossier du réseau de contraintes pour qu'il soit possible d'envisager une application de cette technique dans un cas réel. Nous nous sommes alors orientés vers une approche totalement différente qui, elle, s'appuie sur l'apprentissage. En réalisant un système mixte, qui à la fois tire partie de la souplesse de l'apprentissage et en même temps de la force reconnue des algorithmes de résolution de réseaux de contraintes, nous parvenons à gagner du temps sur le traitement ``on-line'' des requêtes. Ce gain de temps montre bien l'utilité de la phase ``off-line'', phase durant laquelle le système a pu apprendre des solutions et contre-solutions.
In this study, we define and classify queries that can be asked to a constraint network. Since most interesting queries are not compilable, we investigate two paradigms to handle these queries: approximation and learning. In the setting of approximate compilation, we focus on two techniques: the structural approach and the semantic approach. These techniques are shown to be complementary in the quality and the number of solutions; this analysis opens the door to the notion of hybrid compilation. In the context of learning-based compilation, we have designed and implemented a system that combines the flexibility of learning with the power of constraint algorithms. Based on experimental results, we notably show that our system is particularly efficient for tackling queries that are hard to handle directly by constraint solvers. This demonstrates the utility of the off-line step in compilation, used here to learn solutions and counter-solutions.Directeur(s) de thèse : QUINQUETON J. Co-directeur(s) de thèse : KORICHE F. Rapporteur(s) : CHOURAQUI E.;MEPHU NGUIFO E. Examinateur(s) : BESSIERE C.;CERRI S. Invité(s) : SALLANTIN J. Date de soutenance : 18/12/2003 Compilation et Apprentissage dans les Réseaux de Contraintes [texte imprimé] / H. CROS, Auteur . - 2003.
Langues : Français (fre)
Tags : RESEAUX DE CONTRAINTES COMPILATION DE CONNAISSANCES APPRENTISSAGE INSTANCE BASED LEARNING CASE BASED LEARNING RESEAUX DE CONTRAINTES COMPILATION DE CONNAISSANCES COMPILATION APPROXIMATIVE APPRENTISSAGE INSTANCE BASED LEARNING CASE BASED LEARNING CONSTRAINT NETWORKS KNOWLEDGE COMPILATION APPROXIMATION LEARNING INSTANCE BASED LEARNING CASE BASED LEARNING Index. décimale : THE Thèses de doctorat Résumé : Cette thèse porte sur la compilation des réseaux de contraintes. Tout d'abord nous définissons et rangeons dans les classes de complexité de compilation les requêtes qui peuvent être posées sur un réseau de contraintes. Ensuite, puisque les requêtes intéressantes ne s'avèrent pas compilables, nous examinons deux voies détournées pour traiter ces requêtes : la compilation approximative, et l'apprentissage. La compilation approximative consiste à altérer le réseau de contraintes de façon à ce que sa résolution devienne polynomiale. Nous examinons donc deux approches complémentaires de l'altération du réseau : l'altération de sa structure, puis celle de sa sémantique. Ces deux approches s'avèrent complémentaires tant dans la qualité que dans le dénombrement de leurs bornes, ce qui laisse présager qu'une compilation hybride serait probablement plus efficace. Cependant, bien que pour certaines des bornes nous garantissons l'optimalité, l'analyse des bornes laisse apparaître un encadrement trop grossier du réseau de contraintes pour qu'il soit possible d'envisager une application de cette technique dans un cas réel. Nous nous sommes alors orientés vers une approche totalement différente qui, elle, s'appuie sur l'apprentissage. En réalisant un système mixte, qui à la fois tire partie de la souplesse de l'apprentissage et en même temps de la force reconnue des algorithmes de résolution de réseaux de contraintes, nous parvenons à gagner du temps sur le traitement ``on-line'' des requêtes. Ce gain de temps montre bien l'utilité de la phase ``off-line'', phase durant laquelle le système a pu apprendre des solutions et contre-solutions.
In this study, we define and classify queries that can be asked to a constraint network. Since most interesting queries are not compilable, we investigate two paradigms to handle these queries: approximation and learning. In the setting of approximate compilation, we focus on two techniques: the structural approach and the semantic approach. These techniques are shown to be complementary in the quality and the number of solutions; this analysis opens the door to the notion of hybrid compilation. In the context of learning-based compilation, we have designed and implemented a system that combines the flexibility of learning with the power of constraint algorithms. Based on experimental results, we notably show that our system is particularly efficient for tackling queries that are hard to handle directly by constraint solvers. This demonstrates the utility of the off-line step in compilation, used here to learn solutions and counter-solutions.Directeur(s) de thèse : QUINQUETON J. Co-directeur(s) de thèse : KORICHE F. Rapporteur(s) : CHOURAQUI E.;MEPHU NGUIFO E. Examinateur(s) : BESSIERE C.;CERRI S. Invité(s) : SALLANTIN J. Date de soutenance : 18/12/2003 Réservation
Réserver ce document
Exemplaires
Cote Support Localisation Section Notes Disponibilité THE-03 / 9978 Papier THESES INFORMATIQUE Disponible Documents numériques
Fichier (PDF)URL
Titre : Preference Learning Type de document : texte imprimé Auteurs : Johannes Fürnkranz, Auteur Editeur : Eyke Hüllermeier Année de publication : 2010 ISBN/ISSN/EAN : 978-3-642-14124-9 Langues : Anglais (eng) Tags : Artificial intelligence Data mining Information retrieval Instance ranking Label ranking Learning Machine learning Multicriteria decision-making Object ranking Operations research Preference learning Preference prediction Reasoning Recommender systems Supevised learning Index. décimale : I4 I4 - Intelligence Artificielle Résumé : The topic of preferences is a new branch of machine learning and data mining, and it has attracted considerable attention in artificial intelligence research in recent years. Representing and processing knowledge in terms of preferences is appealing as it allows one to specify desires in a declarative way, to combine qualitative and quantitative modes of reasoning, and to deal with inconsistencies and exceptions in a flexible manner. Preference learning is concerned with the acquisition of preference models from data – it involves learning from observations that reveal information about the preferences of an individual or a class of individuals, and building models that generalize beyond such training data. This is the first book dedicated to this topic, and the treatment is comprehensive. The editors first offer a thorough introduction, including a systematic categorization according to learning task and learning technique, along with a unified notation. The remainder of the book is organized into parts that follow the developed framework, complementing survey articles with in-depth treatises of current research topics in this area. The book will be of interest to researchers and practitioners in artificial intelligence, in particular machine learning and data mining, and in fields such as multicriteria decision-making and operations research. Preference Learning [texte imprimé] / Johannes Fürnkranz, Auteur . - [S.l.] : Eyke Hüllermeier, 2010.
ISBN : 978-3-642-14124-9
Langues : Anglais (eng)
Tags : Artificial intelligence Data mining Information retrieval Instance ranking Label ranking Learning Machine learning Multicriteria decision-making Object ranking Operations research Preference learning Preference prediction Reasoning Recommender systems Supevised learning Index. décimale : I4 I4 - Intelligence Artificielle Résumé : The topic of preferences is a new branch of machine learning and data mining, and it has attracted considerable attention in artificial intelligence research in recent years. Representing and processing knowledge in terms of preferences is appealing as it allows one to specify desires in a declarative way, to combine qualitative and quantitative modes of reasoning, and to deal with inconsistencies and exceptions in a flexible manner. Preference learning is concerned with the acquisition of preference models from data – it involves learning from observations that reveal information about the preferences of an individual or a class of individuals, and building models that generalize beyond such training data. This is the first book dedicated to this topic, and the treatment is comprehensive. The editors first offer a thorough introduction, including a systematic categorization according to learning task and learning technique, along with a unified notation. The remainder of the book is organized into parts that follow the developed framework, complementing survey articles with in-depth treatises of current research topics in this area. The book will be of interest to researchers and practitioners in artificial intelligence, in particular machine learning and data mining, and in fields such as multicriteria decision-making and operations research. Réservation
Réserver ce document
Exemplaires
Cote Support Localisation Section Notes Disponibilité I4 / 15357 Papier OUVRAGES INFORMATIQUE Emprunté par: Souhila Kaci
Sorti jusqu'au 19/12/2013
