Letteratura scientifica selezionata sul tema "L'Apprentissage Automatique Automatisé"

International audience It is well known that traditional Hidden Markov Models (HMM) systems lead to a considerable improvement when more training data or more parameters are used. However, using more data with hybrid Hidden Markov Models and Artificial Neural Networks (HMM/ANN) models results in increased training times without improvements in performance. We developed in this work a new method based on automatically separating data into several sets and training several neural networks of Multi-Layer Perceptrons (MLP) type on each set. During the recognition phase, models are combined using several criteria (based on data fusion techniques) to provide the recognized word. We showed in this paper that this method significantly improved the recognition accuracy. This method was applied in an Arabic speech recognition system. This last is based on the one hand, on a fuzzy clustering (application of the fuzzy c-means algorithm) and of another share, on a segmentation at base of the genetic algorithms. De nombreuses expériences ont déjà montré qu'une forte amélioration du taux de reconnaissance des systèmes MMC (Modèles de Markov Cachés) traditionnels est observée lorsque plus de données d'apprentissage sont utilisées. En revanche, l'augmentation du nombre de données d'apprentissage pour les modèles hybrides MMC/RNA (Modèles de Markov cachés/Réseaux de Neurones Artificiels) s'accompagne d'une forte augmentation du temps nécessaire à l'apprentissage des modèles, mais pas ou peu des performances du système. Pour pallier cette limitation, nous rapportons dans ce papier les résultats obtenus avec une nouvelle méthode d'apprentissage basée sur la fusion de données. Cette méthode a été appliquée dans un système de reconnaissance de la parole arabe. Ce dernier est basé d'une part, sur une segmentation floue (application de l'algorithme c-moyennes floues) et d'une autre part, sur une segmentation à base des algorithmes génétiques.

Malgré sa popularité dans la littérature scientifique, l’apprentissage en ligne doit encore concrétiser son utilité pratique dans les applications industrielles. Vu que l’apprentissage en ligne gère les flux incessants de données volumineuses, à haute vélocité et en évolution constante par conception, le marketing en ligne semble être le candidat favori pour que l’apprentissage en ligne fasse son entrée dans l’industrie. Dans ce contexte, l’état de l’art de l’apprentissage en ligne n’a qu’une utilité limitée, car il se concentre principalement sur les problèmes de classification, tandis que le classement biparti constitue une meilleure modélisation du problème de marketing en ligne. Récemment, la combinaison de l’apprentissage en continu et de l’apprentissage automatique automatisé, c’est-à-dire Stream-AutoML, attire davantage l’attention de la communauté scientifique. Cette thèse explore l’applicabilité de Stream-AutoML aux problèmes de classement biparti lorsque les données sont déséquilibrées. Nous commençons par développer un cadre pour exécuter et évaluer les pipelines Stream-AutoML. Ensuite, nous proposons un cadre pour calculer AUC-ROC de manière progressive, et pour introduire une décroissance exponentielle aux données. Nous proposons également un cadre pour la détection des dérives conceptuelles en utilisant AUC-ROC. Dans ce cadre, nous développons six tests statistiques pour les différences d’AUC-ROC avec des bornes théoriques pour les erreurs de type I et de type II. Enfin, nous proposons quatre générateurs de données qui enrichissent les cadres d’évaluation des détecteurs des dérives conceptuelles dans des environnements contrôlés. Les résultats ont montré que les méthodes proposées réduisent considérablement les ressources allouées à l’évaluation et détectent les dérives conceptuelles en ayant très peu de faux positifs. Ces contributions préparent le terrain pour que Stream-AutoML puisse résoudre des problèmes de classement biparti, et peuvent ensuite être exploités dans les applications de marketing en ligne. Des implémentations optimisées des méthodes proposées ont été développées et ont déjà été adoptées dans le produit de marketing en ligne d’IDAaaS
Despite its popularity in the scientific literature, stream learning has yet to substantiate its practical utility in industrial applications. Characterized by the incessant influx of high-velocity, voluminous, and dynamically changing data, online marketing seems to be the favorite candidate for stream learning to make its entry into the industry. In this context, state-of-theart stream learning is of little utility, as it mainly focuses on classification, while bipartite ranking constitutes better modeling of the problem of online marketing. Recently, the combination of stream learning and AutoML, i.e., Stream-AutoML, has been drawing more attention from the scientific community. This work investigates the applicability of Stream-AutoML to bipartite ranking problems when data is imbalanced. We commence by developing a framework to execute and evaluate Stream-AutoML pipelines of stream learning models. Then we propose a framework for computing AUC-ROC incrementally, as well as introducing exponential decay to serve as a forgetting mechanism. We also propose a framework for concept drift detection using AUC-ROC, for which we develop six statistical tests for differences in AUC-ROC with theoretical bounds of type I and type II errors. Finally, we propose four data generators that enrich the tool kit to evaluate concept drift detectors under controlled environments. Results have shown that the proposed methods reduce the resources allocated for evaluation considerably and detect concept drifts with very small false positives. These contributions prepare the field for Stream-AutoML to solve bipartite ranking problems, which can be then exploited in online marketing applications. Optimized implementations of the proposed methods were developed and have already been adopted in the online marketing product of IDAaaS

Dans ces travaux, nous explorons comment les techniques de Générations Automatiques de Langue Naturelle (GLN) peuvent être utilisées pour aborder la tâche de génération (semi-)automatique de matériel et d'activités dans le contexte de l'apprentissage de langues assisté par ordinateur. En particulier, nous montrons comment un Réalisateur de Surface (RS) basé sur une grammaire peut être exploité pour la création automatique d'exercices de grammaire. Notre réalisateur de surface utilise une grammaire réversible étendue, à savoir SemTAG, qui est une Grammaire d'Arbre Adjoints à Structure de Traits (FB-TAG) couplée avec une sémantique compositionnelle basée sur l'unification. Plus précisément, la grammaire FB-TAG intègre une représentation plate et sous-spécifiée des formules de Logique de Premier Ordre (FOL). Dans la première partie de la thèse, nous étudions la tâche de réalisation de surface à partir de formules sémantiques plates et nous proposons un algorithme de réalisation de surface basé sur la grammaire FB-TAG optimisé, qui supporte la génération de phrases longues étant donné une grammaire et un lexique à large couverture. L'approche suivie pour l'optimisation de la réalisation de surface basée sur FB-TAG à partir de sémantiques plates repose sur le fait qu'une grammaire FB-TAG peut être traduite en une Grammaire d'Arbres Réguliers à Structure de Traits (FB-RTG) décrivant ses arbres de dérivation. Le langage d'arbres de dérivation de la grammaire TAG constitue un langage plus simple que le langage d'arbres dérivés, c'est pourquoi des approches de génération basées sur les arbres de dérivation ont déjà été proposées. Notre approche se distingue des précédentes par le fait que notre encodage FB-RTG prend en compte les structures de traits présentes dans la grammaire FB-TAG originelle, ayant de ce fait des conséquences importantes par rapport à la sur-génération et la préservation de l'interface syntaxe-sémantique. L'algorithme de génération d'arbres de dérivation que nous proposons est un algorithme de type Earley intégrant un ensemble de techniques d'optimisation bien connues: tabulation, partage-compression (sharing-packing) et indexation basée sur la sémantique. Dans la seconde partie de la thèse, nous explorons comment notre réalisateur de surface basé sur SemTAG peut être utilisé pour la génération (semi-)automatique d'exercices de grammaire. Habituellement, les enseignants éditent manuellement les exercices et leurs solutions et les classent au regard de leur degré de difficulté ou du niveau attendu de l'apprenant. Un courant de recherche dans le Traitement Automatique des Langues (TAL) pour l'apprentissage des langues assisté par ordinateur traite de la génération (semi-)automatique d'exercices. Principalement, ces travaux s'appuient sur des textes extraits du Web, utilisent des techniques d'apprentissage automatique et des techniques d'analyse de textes (par exemple, analyse de phrases, POS tagging, etc.). Ces approches confrontent l'apprenant à des phrases qui ont des syntaxes potentiellement complexes et du vocabulaire varié. En revanche, l'approche que nous proposons dans cette thèse aborde la génération (semi-)automatique d'exercices du type rencontré dans les manuels pour l'apprentissage des langues. Il s'agit, en d'autres termes, d'exercices dont la syntaxe et le vocabulaire sont faits sur mesure pour des objectifs pédagogiques et des sujets donnés. Les approches de génération basées sur des grammaires associent les phrases du langage naturel avec une représentation linguistique fine de leur propriété morpho-syntaxiques et de leur sémantique grâce à quoi il est possible de définir un langage de contraintes syntaxiques et morpho-syntaxiques permettant la sélection de phrases souches en accord avec un objectif pédagogique donné. Cette représentation permet en outre d'opérer un post-traitement des phrases sélectionées pour construire des exercices de grammaire
In this work, we explore how Natural Language Generation (NLG) techniques can be used to address the task of (semi-)automatically generating language learning material and activities in Camputer-Assisted Language Learning (CALL). In particular, we show how a grammar-based Surface Realiser (SR) can be usefully exploited for the automatic creation of grammar exercises. Our surface realiser uses a wide-coverage reversible grammar namely SemTAG, which is a Feature-Based Tree Adjoining Grammar (FB-TAG) equipped with a unification-based compositional semantics. More precisely, the FB-TAG grammar integrates a flat and underspecified representation of First Order Logic (FOL) formulae. In the first part of the thesis, we study the task of surface realisation from flat semantic formulae and we propose an optimised FB-TAG-based realisation algorithm that supports the generation of longer sentences given a large scale grammar and lexicon. The approach followed to optimise TAG-based surface realisation from flat semantics draws on the fact that an FB-TAG can be translated into a Feature-Based Regular Tree Grammar (FB-RTG) describing its derivation trees. The derivation tree language of TAG constitutes a simpler language than the derived tree language, and thus, generation approaches based on derivation trees have been already proposed. Our approach departs from previous ones in that our FB-RTG encoding accounts for feature structures present in the original FB-TAG having thus important consequences regarding over-generation and preservation of the syntax-semantics interface. The concrete derivation tree generation algorithm that we propose is an Earley-style algorithm integrating a set of well-known optimisation techniques: tabulation, sharing-packing, and semantic-based indexing. In the second part of the thesis, we explore how our SemTAG-based surface realiser can be put to work for the (semi-)automatic generation of grammar exercises. Usually, teachers manually edit exercises and their solutions, and classify them according to the degree of dificulty or expected learner level. A strand of research in (Natural Language Processing (NLP) for CALL addresses the (semi-)automatic generation of exercises. Mostly, this work draws on texts extracted from the Web, use machine learning and text analysis techniques (e.g. parsing, POS tagging, etc.). These approaches expose the learner to sentences that have a potentially complex syntax and diverse vocabulary. In contrast, the approach we propose in this thesis addresses the (semi-)automatic generation of grammar exercises of the type found in grammar textbooks. In other words, it deals with the generation of exercises whose syntax and vocabulary are tailored to specific pedagogical goals and topics. Because the grammar-based generation approach associates natural language sentences with a rich linguistic description, it permits defining a syntactic and morpho-syntactic constraints specification language for the selection of stem sentences in compliance with a given pedagogical goal. Further, it allows for the post processing of the generated stem sentences to build grammar exercise items. We show how Fill-in-the-blank, Shuffle and Reformulation grammar exercises can be automatically produced. The approach has been integrated in the Interactive French Learning Game (I-FLEG) serious game for learning French and has been evaluated both based in the interactions with online players and in collaboration with a language teacher

Cette thèse, encadrée par Mathieu Muratet et Amel Yessad, est dirigée par Vanda Luengo. L'objectif de ce travail est de permettre la détection automatique des interactions entre pairs pouvant émerger d'un scénario de jeux sérieux multi-joueurs en amont de toute utilisation de celui-ci. Les interactions entre pairs participent à la motivation et à l’engagement des apprenants dans leur processus d’apprentissage. Le travail engagé dans cette thèse propose des modèles et des outils d'analyse pour permettre aux concepteurs d'un jeu d'obtenir des informations sur les interactions entre pairs pouvant émerger au sein du jeu et ce sans requérir aux traces des joueurs. Les concepteurs pourraient alors s'appuyer sur ces informations pour modifier leur scénario afin qu'il corresponde au mieux à leurs attentes en terme d'interactions. Afin de satisfaire cet objectif nous avons apporté trois contributions principales. La première contribution est une ontologie grâce à laquelle il devient possible de modéliser des scénarios de jeux sérieux multi-joueurs avec différents niveaux de granularité. Les interactions ayant souvent des définitions abstraites, la deuxième contribution vise à aider leur formalisation à l'aide de propriétés de bas niveau. Les interactions ainsi formalisées deviennent détectables automatiquement. La troisième contribution est un ensemble d'algorithmes d’analyse du scénario modélisé pour détecter les différentes interactions pouvant émerger de celui-ci. L'ontologie a été testée sur différents scénarios de jeux sérieux. Les deux autres contributions sont mises à l’épreuve à travers une expérimentation menée sur un jeu créé dans le cadre de cette thèse
This thesis is supervised by Mathieu Muratet, Amel Yessad and Vanda Luengo (thesis director). The goal of this work is to allow the automatic detection of peer interactions that could emerge from a multi-player learning game scenario before any use of it. The peer interactions contribute to the motivation and involvement of learners in their learning process. The work undertaken in this thesis propose models and analysis tools to allow game designers to obtain information on the peer interactions that could emerge from their game without requiring players’ traces. Thus, the designers could rely on that information to modify their scenarios to match with their needs towards peer interactions. In order to fulfill this goal, we brought three main contributions. The first contribution is an ontology thanks to which it becomes possible to model multi-player learning games scenarios with various granularity levels. The interactions are often abstractly defined; the second contribution aims to help their formalization thanks to low-level features. Interactions formalized in a such a way become automatically detectable. The third contribution is a set of algorithm dedicated to the analysis of the modeled scenario in order to detect the various interactions that could emerge from it. The ontology has been tested on various serious games scenarios. The two other contributions have been put to the test through an experimentation carried out on a game created in the scope of this thesis

Apprendre un nouveau sport, ou un métier manuel est complexe. En effet, de nombreux gestes doivent être assimilés afin d’atteindre un bon niveau de compétences. Cependant, l’apprentissage de ces gestes ne peut se faire seul. En effet, il est nécessaire de voir la réalisation du geste d’un œil expert afin d’indiquer les corrections pour s’améliorer. Or les experts, que ce soit en sport ou dans les métiers manuels, sont peu disponibles pour analyser et évaluer les gestes d’un novice. Afin d’aider les experts dans cette tâche d’analyse, il est possible de développer des coachs virtuels. Selon les domaines, le coach va posséder plus ou moins de compétences, mais une évaluation selon des critères précis est toujours à privilégier. Fournir un retour sur les erreurs commises est également essentiel pour l’apprentissage d’un novice. Dans cette thèse, différentes solutions pour développer des coachs virtuels les plus efficaces possibles sont proposées. Dans un premier temps, et comme évoqué précédemment, il est nécessaire d’évaluer les gestes. Dans cette optique, un premier travail a consisté à comprendre les enjeux de l’analyse de gestes automatique, afin de développer un algorithme d’évaluation automatique qui soit le plus performant possible. Par la suite, deux algorithmes d’évaluation automatique de la qualité de gestes sont proposés. Ces deux algorithmes fondés sur l’apprentissage profond, ont par la suite été testés sur deux bases de données de gestes différentes afin d’évaluer leur généricité. Une fois l’évaluation réalisée, il est nécessaire de fournir un retour d’information pertinent à l’apprenant sur ses erreurs. Afin de garder une continuité dans les travaux réalisés, ce retour est également fondé sur les réseaux de neurones et l’apprentissage profond. En s’inspirant des méthodes d’explicabilité de réseaux de neurones, une méthode a été développée. Elle permet de remonter aux instants du geste où des erreurs ont été commises selon le modèle d’évaluation. Enfin coupler cette méthode à de la segmentation sémantique, permet d’indiquer aux apprenants quelle partie du geste a été mal réalisée, mais également de lui fournir des statistiques et une courbe d’apprentissage
Learning a new sport or manual work is complex. Indeed, many gestures have to be assimilated in order to reach a good level of skill. However, learning these gestures cannot be done alone. Indeed, it is necessary to see the gesture execution with an expert eye in order to indicate corrections for improvement. However, experts, whether in sports or in manual works, are not always available to analyze and evaluate a novice’s gesture. In order to help experts in this task of analysis, it is possible to develop virtual coaches. Depending on the field, the virtual coach will have more or less skills, but an evaluation according to precise criteria is always mandatory. Providing feedback on mistakes is also essential for the learning of a novice. In this thesis, different solutions for developing the most effective virtual coaches are proposed. First of all, and as mentioned above, it is necessary to evaluate the gestures. From this point of view, a first part consisted in understanding the stakes of automatic gesture analysis, in order to develop an automatic evaluation algorithm that is as efficient as possible. Subsequently, two algorithms for automatic quality evaluation are proposed. These two algorithms, based on deep learning, were then tested on two different gestures databases in order to evaluate their genericity. Once the evaluation has been carried out, it is necessary to provide relevant feedback to the learner on his errors. In order to maintain continuity in the work carried out, this feedback is also based on neural networks and deep learning. A method has been developed based on neural network explanability methods. It allows to go back to the moments of the gestures when errors were made according to the evaluation model. Finally, coupled with semantic segmentation, this method makes it possible to indicate to learners which part of the gesture was badly performed, and to provide them with statistics and a learning curve

Pour valider un nouveau système de transport automatise (STA), les experts évaluent les scenarios d'accidents proposés par le constructeur du STA. Pour parfaire l'exhaustivité de l'analyse de sécurité, ces experts imaginent de nouveaux scenarios non pris en compte par le constructeur. Ils font appel à des méthodes d'analyse structurelle et fonctionnelle du STA. Notre approche consiste à exploiter les scenarios historiques qui se rapportent à des STA déjà validés. Pour cela, nous utilisons les techniques d'apprentissage pour organiser la connaissance en vrac (scenarios) et produire des connaissances structurées sous forme de règles. Ce mémoire propose une démarche fondée sur l'apprentissage multi-stratégie pour l'aide à l'évaluation et à la génération de nouveaux scenarios d'accidents. L’apprentissage multi-stratégie intègre diverses stratégies de raisonnement: l'induction, la déduction, l'analogie, etc. Pour résoudre le problème posé. Pour confronter la démarche retenue, une maquette a été développée. Elle a montré la faisabilité de la démarche proposée. Elle a aussi souligné la nécessité mais l'insuffisance de l'apprentissage pour caractériser la démarche des experts. Il est donc judicieux de conjuguer les mécanismes de l'apprentissage avec ceux de l'acquisition de connaissances pour parvenir à identifier le raisonnement des experts.

Des voitures complètement automatisées pourraient circuler sur les routes dans les décennies à venir. Elles permettraient aux automobilistes d’être conduits dans leur véhicule par un système informatique. Une telle innovation pourrait engendrer une révolution qui affecterait le rôle du conducteur et ses activités pendant le trajet. Actuellement, ces véhicules ne sont pas encore accessibles au grand public, et il demeure difficile de prédire précisément quand cela se produira, et quelles seront leurs caractéristiques techniques finales. Dans ce contexte, un des objectifs de cette thèse a été d’étudier dans quelle mesure la conduite complètement automatisée sera acceptée. Bien que l’automobiliste soit conduit par son véhicule, il pourrait être amené à en reprendre le contrôle manuel dans différentes circonstances. En effet, cette manœuvre pourrait être effectuée en situation d’urgence ou de manière anticipée par le conducteur alors qu’il pourrait être engagé dans une autre activité que la conduite. La réalisation de cette reprise de contrôle manuel pourrait être plus ou moins difficile selon la situation et l’expérience d’interactions avec le système complètement automatisé. Nous avons examiné la manière dont cette manœuvre pourrait être apprise par des conducteurs, en testant l’effet de différentes formes d’entrainement sur la performance et la sécurité (temps de réponse et qualité de la reprise de contrôle). L’acceptabilité et la confiance, les attitudes des conducteurs, les intentions d’utilisation du système de conduite complètement automatisée et l’impact de ces variables sur les comportements dans le véhicule ont été mesurés
Fully automated cars could possibly be on the road in the decades to come. They will allow drivers to be driven by an informatics system in their own vehicle. Such an innovation could lead to a revolution that would change the driver’s status and its activities during the trips, but also the infrastructure, freight, some professions, etc. Nowadays, these vehicles are not available for sale yet, and it is difficult to forecast accurately when they will be, and also what their features will be. Considering this, one of the aims of the present thesis is to examine to what extend fully automated driving will be accepted. Even though the driver is driven by its vehicle, he could have to resume manual control in different circumstances. Indeed, this maneuver could be performed in an emergency or in an anticipated situation while he could be engaged in a non driving-related activity. Performing a manual control recovery could be more or less difficult according to the situation and the experience with the fully automated system. The way this maneuver could be learned by drivers has been examined, testing the impact of different kinds of training on performance and safety (response time and control recovery quality). Acceptability, trust, drivers’ attitudes, intentions to use the fully automated driving system and the impact of these variables on behaviors inside the vehicle have been assessed

L'objectif de cette thèse est de présenter les fonctionnalités et une méthodologie de conception associées à un module de type ressource dans un environnement informatique dédié à l'apprentissage d'un domaine. Nous nous sommes plus particulièrement intéressée au domaine de l'apprentissage de la lecture. D'une part nous présentons les différentes problématiques qui se posent dans le cadre de la conception de ce type de module et d'autre part, nous les illustrons par des exemples et la réalisation d'un premier prototype informatique, le Module Ressource Lexical (MRL). Dans un premier chapitre, nous décrivons le cadre dans lequel se situe notre recherche, le projet AMICAL (Architecture Multi-agents Compagnon pour l'Apprentissage de la Lecture) du Laboratoire de Recherche sur le Langage. Ensuite, nous positionnons le MRL par rapport aux dictionnaires pour enfants, commercialisés aujourd'hui. Puis, dans les chapitres 3, 4 et 5 nous présentons les problèmes liés à la conception de ce type de module. Le chapitre 3 présente plus particulièrement les problèmes liés aux informations associées à chaque unité lexicale dans le module ainsi qu'à leur mode de présentation. Dans le chapitre 4, nous abordons les problèmes liés à l'accès au contenu du module, c'est-à-dire aux modes de sélection d'une unité lexicale, à la navigation et au guidage de l'apprenant lors de la consultation. Dans le chapitre 5, nous décrivons l'architecture informatique associée à ce type de module et enfin, dans un dernier chapitre, nous présentons des éléments liés à la spécification et à l'implémentation d'un premier prototype informatique du MRL