Beschreibung
Mes recherches s'inscrivent dans le cadre de l'amélioration de la performance d'un classifieur basé sur l'Analyse de Concepts Formels par des techniques d'ensemble. Nos travaux consistent alors à chercher et à élaborer de nouvelles approches et techniques dans le domaine de l'apprentissage supervisé. Récemment, un grand nombre de travaux en apprentissage supervisé ont porté sur les méthodes dites d'ensembles: séquentielles et parallèles. Nous avons proposé une approche adaptative d'apprentissage séquentiel de règles de classification basée sur le Boosting de Concepts Formels. Sachant que le Boosting favorise activement la diversité des classifieurs, nous avons proposé d'arrêter le Boosting des classifieurs dès que lensemble de classifieurs commence à perdre leur diversité. Cette approche de Boosting a la particularité de décider le nombre ditérations selon la diversité évolutive des classifieurs générés. Des travaux récents encouragent l'utilisation de l'apprentissage parallèle et en particulier lapprentissage à partir des données stratifiées. Nous avons proposé une approche pour générer des ensembles de classifieurs parallèles.
Autorenporträt
Nida MEDDOURI, docteur en informatique, diplômé de la Faculté des Sciences Mathématiques, Physiques et Naturelles de Tunis, Université de Tunis El Manar et chercheur au Laboratoire d'Informatique, Programmation, Algorithmiques et Heuristique (LIPAH-FST).
Herstellerkennzeichnung:
OmniScriptum SRL
Str. Armeneasca 28/1, office 1
2012 Chisinau
MD
E-Mail: info@omniscriptum.com
