• Home
  • >>
  • Soutenance de thèse de Gaël MONDONNEIX, le 11 décembre
Printer-friendly versionSend by emailPDF version

Soutenance de thèse de Gaël MONDONNEIX, le 11 décembre

ActualitésRechercheRecherche
Event date : Wednesday, 11 December, 2019 - 08:30 à 12:00
Place : Salle de visioconférence de l'ESPE
  • Thème : "L’apprentissage automatique du rangement d’objets et son application à l’évaluation du lustre des perles de culture de Tahiti"
  • Département : Sciences, technologies et santé
  • Domaine : "Informatique" (CNU N°27)
  •  
  • Directeurs de thèse :

    • Alban GABILLON, Professeur des universités en informatique, GEPASud, UPF
    • Jean-Martial MARI, Maître de conférence en informatique HDR, GEPASud, UPF
  • Composition du jury :

    • Alban GABILLON, Professeur des universités en informatique, GEPASud, UPF,  Directeur de thèse
    • Jean-Martial MARI, Maître de conférence en informatique HDR, GEPASud, UPF,  Directeur de thèse
    • Patrick CAPOLSINI, Professeur des universités en informatique, Examinateur
    • Emmanuel BRUNO, Université de Toulon et du Var, Examinateur
    • Christophe ROSENBERGER, Professeur des universités, Laboratoire GREYC - ENSICAEN, Rapporteur
    • Massih-Reza  AMINI,  Professeur des universités, Laboratoire LIG - Université Grenoble Alpes, Rapporteur

 

Résumé de la thèse

Les problèmes d’apprentissage automatique sont parfois résolus avec des méthodes inadaptées, menant à des résultats sous optimaux. La détermination de la méthode à appliquer à la résolution d’un problème d’apprentissage automatique n’est pas toujours aisée, d’un côté parce qu’elle nécessite d’identifier correctement le problème à résoudre, et d’un autre côté parce que même si le problème en question a été identifié correctement, il n’existe pas nécessairement de méthode spécifique pour le résoudre.

 

La présente thèse part du constat selon lequel il n’existe pas d’algorithme d’apprentissage automatique spécifiquement dédié au rangement d’objets (un type particulier de problèmes d’apprentissage ordinal consistant à apprendre un ordre total à partir d’un ensemble de couples d’objets).

Une méthode d’apprentissage automatique destinée à combler ce manque est proposée et implémentée sous forme d’une machine à noyau. Un méta-noyau est développé afin de l’adapter aux bibliothèques standard d’apprentissage automatique.

L’algorithme proposé est appliqué à un cas concret de problème de rangement d’objets, l’évaluation du lustre des perles de Tahiti, et comparé avec quatre autres méthodes. Cet algorithme donne de meilleurs résultats (93,6% ± 3,9% de prévisions correctes sans sélection de caractéristiques, 94,3% ± 3,4% avec sélection de caractéristiques) que les meilleures des autres méthodes testées (91,3% ± 3,4% et 92,6% ± 4,3% sans et avec sélection de caractéristiques), cette amélioration étant significative (p < 0,01 et p = 0.02 respectivement). En outre, cette méthode ne présente pas de différence significative entre les résultats obtenus avec et sans sélection de caractéristiques (valeur-p = 0.33), ce qui peut indiquer que son biais d'apprentissage correspond bien au problème à résoudre et peut ainsi réduire la charge de travail en phase de prétraitement des données.

 

Parcours

2013 : Licence d'informatique, université de Rennes 1

2013-2015 : European Institute of Technology

2015 : Master d'informatique, spécialité Big Data, Technische Universität Berlin

 

La soutenance

  • Mercredi 11 décembre à 8h30 en salle de visioconférence de l'ESPE, campus de l'université de la Polynésie française
  • Soutenance publique.

Prochainement, abonnez-vous à la lettre d'information de l'UPF.