A partir de cette page vous pouvez :
| Retourner au premier écran avec les dernières notices... |
Résultat de la recherche
4 résultat(s) recherche sur le tag 'machine learning'
Affiner la recherche Interroger des sources externesUne Architecture Multi-Agents pour un Apprentissage Autonome Guidé par les Emotions / Jérôme CHAPELLE
Titre : Une Architecture Multi-Agents pour un Apprentissage Autonome Guidé par les Emotions Type de document : texte imprimé Auteurs : Jérôme CHAPELLE, Auteur Année de publication : 2006 Langues : Français (fre) Tags : SYSTEMES MULTI-AGENTS APPRENTISSAGE AGENT EMOTIONNEL ROBOTIQUE A MULTI-AGENT ARCHITECTURE FOR AN EMOTION DRIVEN LEARNING MULTI-AGENT SYSTEMS MACHINE LEARNING EMOTIONAL AGENT ROBOTICS Index. décimale : THE Thèses de doctorat Résumé : Cette thèse se situe à la rencontre du domaine des systèmes multi-agents et de la robotique. Ce manuscrit présente la structure de contrôle d'un robot autonome et l'architecture multi-agents utilisée pour la modéliser. Cette architecture permet au robot de s'adapter, d'évoluer et d'apprendre de nouvelles tâches de manière non supervisée. Pour obtenir une structure de contrôle qui s'adapte à la structure physique du robot, à l'environnement de celui-ci, et aux tâches à exécuter, nous nous sommes inspirés des systèmes nerveux des espèces vivantes. Ainsi, nous nous inspirons des colonnes corticales pour définir des entités apprenantes qui regroupent le fonctionnement de plusieurs neurones au sein d'une seule entité. Nous modélisons l'organisation de cette structure et les interactions entre entités apprenantes en utilisant un système multi-agents. Cela nous permet de donner à cette structure de contrôle des propriétés d'adaptation et d'évolution pour répondre aux besoins du robot et des tâches qu'il doit réaliser.
In this thesis, we present a multi-agent architecture giving a robot the ability to learn in an unsupervised way. An autonomous learning is achieved by using emotions which represent basic needs for the learning entity. The learning process we propose is inspired by the organization in cortical columns and areas of a living being brain. The organizational multi-agent architecture is used to describe the interaction among entities involved in the learning processDirecteur(s) de thèse : FERBER J. Président du jury : CERRI S.A. Rapporteur(s) : CHARPILLET F.;VERCHER J.L. Examinateur(s) : ZAPATA R.;SIMONIN O. Date de soutenance : 11/12/2006 Une Architecture Multi-Agents pour un Apprentissage Autonome Guidé par les Emotions [texte imprimé] / Jérôme CHAPELLE, Auteur . - 2006.
Langues : Français (fre)
Tags : SYSTEMES MULTI-AGENTS APPRENTISSAGE AGENT EMOTIONNEL ROBOTIQUE A MULTI-AGENT ARCHITECTURE FOR AN EMOTION DRIVEN LEARNING MULTI-AGENT SYSTEMS MACHINE LEARNING EMOTIONAL AGENT ROBOTICS Index. décimale : THE Thèses de doctorat Résumé : Cette thèse se situe à la rencontre du domaine des systèmes multi-agents et de la robotique. Ce manuscrit présente la structure de contrôle d'un robot autonome et l'architecture multi-agents utilisée pour la modéliser. Cette architecture permet au robot de s'adapter, d'évoluer et d'apprendre de nouvelles tâches de manière non supervisée. Pour obtenir une structure de contrôle qui s'adapte à la structure physique du robot, à l'environnement de celui-ci, et aux tâches à exécuter, nous nous sommes inspirés des systèmes nerveux des espèces vivantes. Ainsi, nous nous inspirons des colonnes corticales pour définir des entités apprenantes qui regroupent le fonctionnement de plusieurs neurones au sein d'une seule entité. Nous modélisons l'organisation de cette structure et les interactions entre entités apprenantes en utilisant un système multi-agents. Cela nous permet de donner à cette structure de contrôle des propriétés d'adaptation et d'évolution pour répondre aux besoins du robot et des tâches qu'il doit réaliser.
In this thesis, we present a multi-agent architecture giving a robot the ability to learn in an unsupervised way. An autonomous learning is achieved by using emotions which represent basic needs for the learning entity. The learning process we propose is inspired by the organization in cortical columns and areas of a living being brain. The organizational multi-agent architecture is used to describe the interaction among entities involved in the learning processDirecteur(s) de thèse : FERBER J. Président du jury : CERRI S.A. Rapporteur(s) : CHARPILLET F.;VERCHER J.L. Examinateur(s) : ZAPATA R.;SIMONIN O. Date de soutenance : 11/12/2006 Réservation
Réserver ce document
Exemplaires
Cote Support Localisation Section Notes Disponibilité THE-06 / 13204 Non renseigné THESES INFORMATIQUE Disponible
Titre : Distributed Artificial Intelligence, Agent Technology, and Collaborative Applications Type de document : texte imprimé Auteurs : V. SUGUMARAN, Auteur Editeur : Information Science Reference Année de publication : 2009 Importance : 422 p. ISBN/ISSN/EAN : 978-160566144-5 Langues : Inconnue (und) Tags : ARTIFICIAL AGENT COGNITIVE AGENT DIALOG MACHINE LEARNING CONFLICT KNOWLEDGE REVISION Index. décimale : I4 I4 - Intelligence Artificielle Distributed Artificial Intelligence, Agent Technology, and Collaborative Applications [texte imprimé] / V. SUGUMARAN, Auteur . - [S.l.] : Information Science Reference, 2009 . - 422 p.
ISBN : 978-160566144-5
Langues : Inconnue (und)
Tags : ARTIFICIAL AGENT COGNITIVE AGENT DIALOG MACHINE LEARNING CONFLICT KNOWLEDGE REVISION Index. décimale : I4 I4 - Intelligence Artificielle Réservation
Réserver ce document
Exemplaires
Cote Support Localisation Section Notes Disponibilité I4 / 13630 Papier OUVRAGES INFORMATIQUE Disponible
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
Titre : The Elements of Statistical Learning Type de document : texte imprimé Auteurs : T. HASTIE, Auteur Editeur : Springer Année de publication : 2003 Importance : 532 p. ISBN/ISSN/EAN : 0-387-95284-5 Langues : Inconnue (und) Tags : INFÉRENCE STATISTIQUE MACHINE LEARNING Index. décimale : G1 G1 - Mathématiques The Elements of Statistical Learning [texte imprimé] / T. HASTIE, Auteur . - [S.l.] : Springer, 2003 . - 532 p.
ISBN : 0-387-95284-5
Langues : Inconnue (und)
Tags : INFÉRENCE STATISTIQUE MACHINE LEARNING Index. décimale : G1 G1 - Mathématiques Réservation
Réserver ce document
Exemplaires
Cote Support Localisation Section Notes Disponibilité G1 / 10113 Papier OUVRAGES GENERALITES Disponible
