Gotowa bibliografia na temat „Apprentissage de données et de connaissance humaine”

Cet article approfondit les limites, l’origine et les possibilités de la connaissance humaine à l’intérieur du système philosophique de Jean Scot Érigène. Nous soutenons la thèse suivante : la nature humaine est douée d’une puissance épistémique illimitée, étant capable de comprendre l’existence de Dieu par la seule étude physique, sans s’appuyer forcément sur la révélation écrite. Chez Érigène, la Bible et la cosmologie offrent à l’homme les mêmes données théophaniques. La nature humaine se présente alors comme la racine de la connaissance et de l’être, puisque c’est dans la compréhension par l’homme que les choses trouvent leur véritable substance. Ce cadre se trouve brisé par le péché originel, qui empêche un accès direct à la vérité et oblige l’homme à employer les instruments interprétatifs du monde sensible : la science physique et la science exégétique. Ces deux disciplines obligent les hommes à travailler respectivement l’univers et la sainte Écriture pour en déceler les connaissances cachées. Mais cet effort intellectuel est récompensé. Faisant preuve d’un fort optimisme épistémique, Jean Scot Érigène établit que l’accès aux données sensibles rend la connaissance humaine supérieure à toute autre, permettant ainsi le salut de la nature humaine. Ce n’est que par la philosophie, pratique accessible à tout individu, que l’homme accède à son bonheur final.

Résumé La connaissance de la ou des langues du pays hôte est une des toutes premières variables qui viennent spontanément à l'esprit lorsqu'on recherche les facteurs facilitant l'établissement des immigrants. Par ailleurs, la littérature sociologique montre plutôt le contraire : la connaissance de la langue n'améliore pas le positionnement des immigrants sur le marché du travail. Pour contester cette conclusion peut-être trop hâtive, l'article présente une analyse directe de cette hypothèse sur une cohorte de nouveaux immigrants (qui sont le plus susceptibles de mettre en évidence le rôle de la connaissance de la langue), dans un contexte bilingue (Montréal, Canada) (contexte rendant plus visibles les orientations linguistiques) avec des données et une méthode d'analyse dynamiques (à long terme, presque tous les immigrants vont avoir une connaissance fonctionnelle de la langue; il faut donc tenir compte du temps où se fait l'apprentissage). L'analyse ne permet pas de rejeter les acquis de la littérature : ni la connaissance des langues ni leur apprentissage pendant l'établissement n'ont d'impact sur la vitesse d'accès au premier emploi. Elle met cependant en évidence le rôle de la prise de contact avec les réseaux sociaux structurés autour de la division linguistique de la société québécoise. L'analyse est réalisée à l'aide de régressions de survie semi-paramétriques. Les données proviennent d'une enquête sur l'établissement des nouveaux immigrants qui ont été admis à l'été et l'automne 1989 et qui résidaient dans la grande région de Montréal au moment de la première vague d'entrevues un an plus tard.

La métropole de Lyon s’est fixé pour objectif de reconstituer l’ensemble des dates de pose et des matériaux des conduites d’assainissement de son patrimoine. Cette communication présente les résultats de plusieurs années de travail soutenues par l’agence de l’eau Rhône Méditerranée Corse. Pour la reconstitution, deux axes de recherches sont privilégiés, ils sont inspirés des résultats du projet de recherche Hireau. Le premier axe porte sur l’implémentation de méthodes statistiques (apprentissage machine) pour reconstituer les informations manquantes à partir de données connues sur le patrimoine. L’approche a été adaptée au jeu de données lyonnais et fournit des estimations des dates de pose et des matériaux des réseaux d’assainissement. Un travail d’optimisation a ensuite permis d’améliorer la prédiction grâce à une augmentation de la précision et du rappel (proportion d’éléments correctement retournés parmi ceux qui existent) pour le matériau, et une réduction de la plage d’estimation pour la date de pose. Le deuxième axe porte sur l’utilisation de connaissances provenant de sources multiples. L’exploitation des données supplémentaires, comme les rapports d’inspections télévisées, permet d’obtenir directement le matériau de la conduite. La création de scripts de propagation d’information sous contrainte par parcours de graphes a également permis de renseigner des années de poses manquantes. Nous proposons dans cette communication de rendre compte des démarches mises en œuvre, et des résultats obtenus. L’objectif étant d’inciter d’autres collectivités à obtenir ces informations essentielles pour la gestion de leur patrimoine.

La rage est une zoonose endémique dans les pays en développement et compte parmi les pathologies virales les plus virulentes et mortelles. Elle constitue une menace pour la sante publique et animale au Burkina Faso. La présente étude transversale a été conduite pour décrire l’épidémiologie de la rage et les connaissances, attitudes et pratiques (CAP) des populations à Ouagadougou. Elle a consisté en une collecte de données auprès des ménages et des structures techniques impliquées dans la prévention, le contrôle et la surveillance de la rage humaine et animale. L’enquête CAP a été réalisée auprès de 616 ménages. Elle a montré que la majorité des participants avaient entendu parler de la rage humaine (80,7 %) et animale (94,6 %), savaient qu’elle se transmettait essentiellement à la suite de morsure par un chien infecte (94,2 %) et étaient capables de citer correctement au moins deux voies de transmission de la maladie (65,7 %). En revanche, seuls 9,7 % des propriétaires de chiens affirmaient être capables de financer la vaccination antirabique canine annuelle. Les principaux canaux d’information et de communication sur la rage utilises par les participants étaient l’entourage (41,8 %), l’école (33,4 %) et les médias (24,8 %). Quant à l’étude épidémiologique rétrospective, qui s’est appuyée sur les documents disponibles au sein des structures nationales, elle a mis en évidence qu’en moyenne 4172 cas de morsures étaient enregistrées chaque année, que seules 31,7 % des personnes mordues avaient bénéficié d’une prophylaxie postexposition complète et que 68 % des animaux testes étaient positifs au virus rabique. Ces études confirment la présence du risque rabique dans le pays et montrent la nécessite de renforcer l’éducation et l’engagement communautaire ainsi qu’une étroite collaboration entre les secteurs de la santé animale et de la santé humaine pour une gestion intégrée des cas de morsures.

Le changement climatique a pour conséquence l’apparition de forts événements pluvieux de plus en plus fréquents, occasionnant de fortes variations de débit et de concentrations à l’influent des stations d’épuration. La connaissance des risques d’orage et des débits potentiels plusieurs heures ou plusieurs jours en avance permettrait d’anticiper les adaptations opérationnelles pour préparer la station et protéger les différents ouvrages des risques de défaillance. Dans cette étude, les données météorologiques (pluies, température, vents, humidités, précipitations…) et l’historique des données d’influent de la station sont utilisés pour entraîner un algorithme d’intelligence artificielle, d’apprentissage automatique et d’apprentissage profond pour prédire les débits entrants sur la station jusqu’à une semaine en avance. Trois jeux de données journalières et horaires, de 1 à 3 ans, sont utilisés pour entraîner un modèle de Forêt aléatoire à 30 arbres, un modèle LSTM (long short-term memory) et un modèle GRU (gate recurrent unit) à trois couches de 100 neurones suivis chacun d’un dropout de 20 % et une couche de sortie entièrement connectée. Les données sont préalablement nettoyées pour supprimer les valeurs aberrantes et sont réparties à 80 % pour les données pour l’apprentissage et 20 % pour les données de test afin d’obtenir des modèles avec les meilleures prédictions. Les algorithmes utilisés dans cette étude sont simples et détectent bien les pics. La durée de l’entraînement sur les données de trois ans se fait en moins de deux minutes pour la Forêt aléatoire et en moins d’une demi-heure pour les réseaux de neurones LSTM et GRU. Les résultats montrent que les données horaires et la prise en compte de l’effet de l’historique par l’utilisation des réseaux de neurones récurrents LSTM et GRU permettent d’obtenir une meilleure prédiction des débits d’influent. Les séries de données plus longues permettent également un meilleur apprentissage des algorithmes et une meilleure prédiction du modèle.

Assistants virtuels, objets connectés, intelligence artificielle, données massives, apprentissage machine ou apprentissage profond ; nul jour sans que les journaux ne rapportent une nouvelle spectaculaire sur les technologies algorithmiques dites « intelligentes ». Aucune activité humaine ou presque ne semble échapper à la mainmise algorithmique et à la volonté de contrôle sans limite qu’elle traduit. Ce constat sur l’emprise des technologies algorithmiques sur nos vies n’est pas nouveau, mais nous avons souhaité le transmuer en enquête en consacrant un numéro du Cygne noir à l’exploration des liens entre sémiotique et procédés algorithmiques. Relevant tantôt de la sémiotique théorique, tantôt de la sémiotique appliquée, les textes ici rassemblés travaillent à leur façon ces rapports. Ce dossier témoigne de la manière dont la sémiotique continue d’étonner par sa capacité de renouvellement conceptuel, par sa force de saisie d’objets toujours nouveaux et par sa disposition épistémologique à se « suturer » à de nombreux cadres théoriques. Il réaffirme en dernier lieu à quel point la sémiotique peut tenir un rôle éminemment critique et démystifiant, à contre-pied de la technolâtrie dominant l’espace social, dans un contexte marqué par une numérisation toujours plus croissante des activités humaines et sociales.

Mots-clés : Besoin, formation, LMD, APC, santé Résumé La formation des enseignants en santé et en intervention sociale au Sénégal se pose avec acuité, en raison probable de l’insuffisance de formation en technologies éducatives et le manque d’écoles normales recevant ces derniers. L’évolution technologique des pratiques professionnelles impose aux prestataires une mise à niveau de leur connaissance. Avec l’introduction de système LMD et de l’enseignement basé sur l’APC, une évaluation des besoins de formation de ces enseignants avait été menée. La collecte des données, un questionnaire, un guide d’entretien et des grilles d’évaluation ont été administrés à tous les formateurs de l’ENDSS et de l’ENTSS en situation d’enseignement /apprentissage et à 30% de ces apprenants. Il ressort de l’étude des besoins en formation communs (en recherche et en sciences de l’éducation et de la formation) et des besoins spécifiques (sciences médico-chirurgicales, paramédicales et intervention sociale) en vue de faire face aux exigences du système LMD et de l’APC.

Réflexions aléatoires sur la complexité, les données et les modèles. La science des données et l’apprentissage profond ont beaucoup progressé pendant cette dernière décennie. Nous défendons l’idée que, tout en continuant à valoriser cet intéressant champ d’étude, il faudrait résister à la tentation de croire que la prédiction scientifique peut être réduite à l’analyse brute des données. Car la modélisation impose de maitriser l’art de sélectionner les variables pertinentes, comme nous l’illustrons ci-dessous. Plus particulièrement, nous explorons la relation subtile qui existe entre données et modèles, en analysant notamment le rôle joué par la complexité algorithmique. Celle-ci contribua à rendre mathématiquement rigoureuse l’idée selon laquelle comprendre un phénomène empirique équivaut à énoncer des règles pour générer les données qui soient plus simples que les données elles-mêmes. Un point clef pour évaluer le lien entre complexité algorithmique et apprentissage algorithmique est la clarification des concepts de compressibilité, déterminisme et prédictibilité, concepts qui sont liés mais distincts. À ce propos nous montrons que la loi d’évolution d’un système chaotique est compressible, mais qu’une condition initiale typique pour ce système ne l’est pas, ce qui rend les séries temporelles générées par des systèmes chaotiques incompressibles en général. La connaissance des règles qui gouvernent un phénomène empirique n’est donc pas suffisante pour prédire ses issues. Ce qui implique que la compréhension d’un phénomène nécessite plus que l’apprentissage de ses règles à travers des données. La compréhension n’est entière que lorsque l’on est capables de faire une “bonne modélisation”. Il est clair que l’idée de base de la complexité algorithmique s’appuie sur l’analyse du calcul faite par Turing. Ceci motive nos remarques sur cet exemple très parlant de modélisation abstraite basée sur l’analogie, qui est néanmoins fortement informée par les faits empiriques.

Introduction. Il existe depuis une dizaine d’années une augmentation des signaux sanitaires en France liés au chemsex chez les hommes ayant des rapports avec des hommes (HSH). Objectif. Identifier les risques ressentis par les HSH pratiquant le chemsex et leurs stratégies d’adaptation. Méthode. Étude qualitative basée sur 11 entretiens individuels semi-dirigés et un focus group de 4 chemsexeurs. Échantillonnage raisonné des participants recrutés sur la base du volontariat et par réseau. Enregistrement audio des entretiens puis retranscription mot à mot. Analyse phénoménologique des données puis production de catégories par comparaison constante entre les données et les construits de l’analyse. Résultats. Le risque majeur ressenti était le risque addictif. Le risque infectieux était la dangerosité des produits, sur lesquels se concentraient la prévention et la réduction des risques et des dommages (RdRD), le risque socioprofessionnel, l’impact sur la qualité de la vie sexuelle et la santé mentale, la notion de consentement. Il existait une multiplicité de techniques de contrôle et de réduction des risques par les usagers, mises en place de façon autonome. Ces techniques résultaient d’un apprentissage lié aux expériences personnelles, d’informations transmises par les pairs, le milieu associatif et médical. Discussion. Il est crucial de promouvoir l’accès à des programmes de prévention et de RdRD pour garantir la connaissance des risques associés au chemsex et ainsi une meilleure adaptation des comportements. Pour atteindre cet objectif, il est important de diversifier les stratégies de prévention et de RdRD afin de sensibiliser les chemsexeurs à ces multiples problématiques.

El argumento central de la obra de Viktor Mayer-Schönberger y Kenneth Cukier es de la mayor trascendencia para el conocimiento humano en general, y para las ciencias sociales en particular: a saber, que la aparición y el uso de los datos masivos está por provocar (y lo hace ya, de hecho, en áreas específicas del saber humano) “una revolución que transformará como vivimos, trabajamos, y pensamos”.Mayer-Schönberger, V. y Cukier, K. (2013). Big Data. The massive data revolutionSummaryThe central argument of the work of Viktor Mayer-Schönberger and Kenneth Cukier is of the greatest importance for human knowledge in general, and for the social sciences in particular: namely, that the emergence and use of massive data is about to provoke (and in fact it does already, in specific areas of human knowledge) "a revolution that will transform how we live, work, and think".Mayer-Schönberger, V. y Cukier, K. (2013). Big Data. La revolution des données massivesRésuméLe thème central de l’œuvre de Viktor Mayer-Schönberger et Kenneth Cukier est d’une grande transcendance pour la connaissance humaine, en général, et pour les sciences sociales, en particulier: soit le fait que l’apparition et l’usage des données massives sont sur le point de provoquer (et ils le font déjà dans des aires spécifiques du savoir humain) “une révolution qui transformera comment nous vivons, travaillons et pensons”.

Notre objectif dans ce travail de thèse est de réaliser des méthodes d'extraction automatique de métadonnées à partir des ressources éducatives afin de minimiser l'effort humain d'annotation. Dans une première étude, nous explorons les relations qui existent entre les différents champs de métadonnées. Nous utilisons pour cela des méthodes d'apprentissage supervisé ainsi que les règles d'association. Cette étude nous a permis d'éliciter des relations intéressantes entre les champs de métadonnées. Nous avons aussi exploité le contenu des ressources pour extraire les métadonnées. Les méthodes proposées se basent sur des techniques d'apprentissage statistique, ainsi que des propriétés stylistiques et linguistiques du texte. Ces méthodes permettent de donner de meilleurs résultats que celles qui se basent sur les balises Meta du code source des pages HTML. Nous avons aussi proposé une méthode pour extraire un nouveau type de champ de métadonnées qui renseigne sur les concepts définis et les concepts prérequis. Ce travail est ensuite exploité afin de réaliser une méthode d'ordonnancement automatique des ressources pédagogique.

Aujourd'hui, la Formation Ouverte et A Distance (FOAD) est de plus en plus répandue aussi bien dans les institutions publiques que privées, mais elle est loin de représenter une méthode d'apprentissage utilisée par tous. Un moyen de faciliter et d'encourager la conception de cursus pédagogiques par les éducateurs est de mettre à leur disposition une masse importante d'objets pédagogiques de natures variées tant au niveau des domaines d'apprentissage visés que du type de supports numériques utilisés, ainsi que de la langue dans laquelle ils sont produits.
Nos travaux exposent les capacités d'un Environnement Informatique pour l'Apprentissage Humain (EIAH) à fournir deux services complémentaires qui conduisent à la virtualisation des ressources pédagogiques : une vue unique d'un ensemble de ressources pédagogiques renfermées dans des viviers de connaissance distincts, et un accès facilité à celles-ci à travers les plates-formes d'apprentissage. Nous présentons une architecture ouverte basée sur des standards de l'e-formation établis ou en cours d'élaboration, et qui assure l'intégration des services énoncés ci-dessus au sein d'un EIAH. Nous présentons deux expérimentations déployées au sein de contextes différents qui valident notre approche et qui favorisent ainsi le partage et la réutilisation des objets pédagogiques.
La seconde partie de nos travaux porte sur la supervision des ressources, systèmes informatiques et utilisateurs impliqués dans le processus de virtualisation afin de faciliter aux éducateurs la recherche de matériel pédagogique pertinent pour leur contexte parmi le nombre considérable de ressources offertes par la fédération des viviers de connaissance. Nous présentons un modèle d'information décrivant les entités précitées et qui constitue une extension de CIM (Common Information Model) pour l'EIAH, ainsi qu'une infrastructure de supervision composée d'agents de gestion, d'un fournisseur de données, d'un gestionnaire centralisé et d'une application graphique de gestion. Nous appliquons ensuite cette infrastructure au sein de notre EIAH et de l'outil de recherche et d'indexation d'objets pédagogiques de la fondation ARIADNE. Enfin, nous exposons comment les informations statistiques recueillies peuvent être exploitées pour présenter aux concepteurs de cursus pédagogiques des ressources de qualité.

Dans un contexte économique où les concurrences internationales sont exacerbées, la customisation, ou personnalisation de masse des produits devient aujourd’hui une stratégie très importante des entreprises pour améliorer la valeur perçue de leurs produits. Cependant, les expériences des plateformes de customisations actuelles en ligne ne sont pas pleinement satisfaisantes car les choix personnalisés sont essentiellement limitées à des couleurs et à des motifs. Les dimensions sensorielles des produits, incluant en particulier l’apparence et le toucher des matières tout autant que le bien-aller du vêtement sont rarement proposés.Dans le cadre de ma thèse doctorale, nous avons proposé une plateforme de co-création, permettant aux commerçants, aux créateurs et aux clients d’acquérir conjointement une nouvelle expérience sur le développement de vêtements personnalisés à la valeur ajoutée plus élevée sans entraîner de surcoûts industriels. La construction de cette plateforme consiste en plusieurs parties. Tout à bord, nous avons sélectionné, par une expérience sensorielle, un logiciel de CAO en confection 3D bien adapté en termes de la qualité de rendu du vêtement virtuel. Ensuite, nous avons proposé un plan d’expérience sensorielle par utilisation d’une nouvelle méthode d’apprentissage actif proposée afin d’acquérir, sans mesures physiques, les paramètres techniques de l’étoffe dans un délai très court. Cette méthode est efficace, rapide, facile à réaliser et notamment très significative pour des transactions des textiles en ligne. Puis nous avons caractérisé quantitativement la perception du vêtement virtuel par des notes numériques sur un ensemble de descripteurs sensoriels normalisés. Ces derniers concernent l’apparence et le toucher de la matière, ainsi que le fit du vêtement. Les données sensorielles ont été obtenues respectivement dans deux autres expériences sensorielles. Par apprentissage de ces données, nous avons établi deux modèles. Le premier permet de caractériser la relation entre la perception sur l’apparence et le toucher du matériau virtuel et les paramètres techniques correspondants, constituant une entrée du logiciel de CAO en confection. Le deuxième modèle permet de caractériser la relation entre la perception du fit du vêtement virtuel et les paramètres des patrons. A l'aide des deux modèles précédents, les créateurs et consommateurs peuvent ajuster les éléments initiaux de conception pour les matières et les patrons du vêtement selon leurs attentes au niveau du sensoriel
Under the exacerbated worldwide competition, the mass customization or personalization of products is now becoming an important strategy for companies to enhance the perceived value of their products. However, the current online customization experiences are not fully satisfying for consumers because the choices are mostly limited to colors and motifs. The sensory fields of products, particularly the material’s appearance and hand as well as the garment fit are barely concerned.In my PhD research project, we have proposed a new collaborative design platform. It permits merchants, designers and consumers to have a new experience during the development of highly valued personalized garments without extra industrial costs. The construction of this platform consists of several parts. At first, we have selected, through a sensory experiment, an appropriate 3D garment CAD software in terms of rending quality. Then we have proposed an active leaning-based experimental design in order to find the most appropriate values of the fabric technical parameters permitting to minimize the overall perceptual difference between real and virtual fabrics in static and dynamic scenarios. Afterwards, we have quantitatively characterized the human perception on virtual garment by using a number of normalized sensory descriptors. These descriptors involve not only the appearance and the hand of the fabric but also the garment fit. The corresponding sensory data have been collected through two sensory experiments respectively. By learning from the experimental data, two models have been established. The first model permits to characterize the relationship between the appearance and hand perception of virtual fabrics and corresponding technical parameters that constitute the inputs of the 3D garment CAD software. The second model concerns the relationship between virtual garment fit perception and the pattern design parameters. These two models constitute the main components of the collaborative design platform. Using this platform, we have realized a number of garments meeting consumer’s personalized perceptual requirements

En s'appuyant sur les résultats (prototypes textiles souples, capteurs et algorithmes) obtenus dans les projets scientifiques développés au sein de l’équipe de recherche (IOTFetMov (ANR), E-TexWeld (H2020)), cette thèse doctorale a pour objectif de développer un nouveau vêtement intelligent et connecté, afin de réaliser en temps-réel la détection et le suivi des symptômes du patient atteint de COVID-19 Long. De façon automatique, il s’agit de poser un pré-diagnostic basique à partir du traitement de signaux pertinents par des techniques intelligentes comme un outil d’aide à la décision à destination des équipes médicales. Ce vêtement intelligent, prenant la forme d’une ceinture instrumentée en contact étroit avec le corps du patient et sachant être portée sur la durée, intègre à la fois un ensemble de capteurs mesurant des signaux temporels physiologiques (température de la peau, électrocardiogramme) et embarque un système d'aide à la décision locale permettant à la fois d’estimer les paramètres physiologiques nécessaires à une détermination automatique de la sévérité de l’infection du patient connecté par apprentissage des signaux mesurés et de la connaissance experte médicale. Un diagnostic à distance pourra dès lors s'effectuer au travers d’échanges avec le médecin par le biais du vêtement intelligent et du smartphone utilisé comme une passerelle du patient connecté. De cette manière, toute aggravation rapide des symptômes sera précocement détectée et offrira aux médecins une réactivité plus rapide pour intervenir dans les meilleurs délais et protéger la santé des patients
Based on the results (prototypes, sensors, algorithms) obtained in our previous projects (IOTFetMov (ANR), TexWeld (H2020)), this PhD thesis aims at designing a new intelligent garment, in order to detect and monitor in real time, the symptoms of long COVID-19 patient. We establish a pre-diagnosis by processing relevant signals using intelligent techniques. This intelligent garment, a close-fitting belt, integrates both a set of sensors, measuring physiological indices (skin temperatures, electrocardiogram) and embed a local decision support system allowing to estimate relevant parameters used for an automatic estimation of the connected patient health status, by learning from the measured signals and from the medical expert knowledge. A remote diagnosis can be carried out through interactions with the doctor via the e-textile and the patient's smartphone. In this way, a rapid worsening of symptoms will be detected early, and doctors will be able to react more quickly to manage patients

Ce travail de thèse porte sur la problématique d'extraction de connaissances à partir de textes, plus communément appelée la fouille de textes (FdT). Il s'articule autour des problèmes liés à l'analyse des textes, la fouille de textes proprement dite, et l'interprétation des éléments de connaissances extraits. Dans ce cadre, un système d'extraction des connaissances nécessaires pour analyser les textes en fonction de leur contenu est étudié et implanté. Les méthodes de fouille de données appliquées sont la recherche de motifs fréquents (avec l'algorithme Close) et l'extraction de règles d'association. Le mémoire s'attache à définir précisément le processus de fouille de textes et ses principales caractéristiques et propriétés en s'appuyant sur l'extraction de motifs fréquents et de règles d'association. En outre, une étude minutieuse d'un ensemble donné de mesures de qualité qu'il est possible d'attacher aux règles d'association est menée, toujours dans le cadre de la fouille de textes. Il est montré quel rôle ces mesures peuvent avoir sur la qualité et sur l'interprétation des règles extraites ; comment peuvent-elles influer sur la qualité globale du processus de fouille de textes.
L'utilisation d'un modèle de connaissances vient appuyer et surtout compléter cette première approche. Il est montré, par la définition d'une mesure de vraisemblance, l'intérêt de découvrir de nouvelles connaissances en écartant les connaissances déjà répertoriées et décrites par un modèle de connaissances du domaine. Les règles d'association peuvent donc être utilisées pour alimenter un modèle de connaissances terminologiques du domaine des textes choisi. La thèse inclut la réalisation d'un système appelé TAMIS : "Text Analysis by Mining Interesting ruleS" ainsi qu'une expérimentation et une validation sur des données réelles de résumés de textes en biologie moléculaire.

Cette thèse concerne la fouille de données en sciences humaines. Cette branche récente de l'intelligence artificielle consiste en un ensemble de méthodes visant à extraire de la connaissance à partir de données stockées sur des supports informatiques. Parmi celles-ci, l'extraction de motifs et de règles d'association est une méthode de traitement des données qui permet de représenter de façon symbolique la structure des données, comme le font les méthodes statistiques classiques, mais qui, contrairement à celles-ci, reste opérationnelle en cas de données complexes, volumineuses. Toutefois ce modèle informatique des données, construit à partir de comptages de cooccurrences, n'est pas directement utilisable par les chercheurs en sciences humaines : il est essentiellement dédié aux données dichotomiques (vrai/faux), ses résultats directs, très morcelés, sont difficiles à interpréter, et sa validité peut paraître douteuse aux chercheurs habitués à la démarche statistique. Nous proposons des techniques que nous avons construites puis expérimentées sur des données réelles dans le but de réduire les difficultés d'utilisation que nous venons de décrire : 1) un test de randomisation à base d'échanges en cascade dans la matrice sujets x propriétés permet d'obtenir les liaisons statistiquement significatives entre deux propriétés, 2) une extension floue de la méthode d'extraction classique des motifs, qui produit des règles d'association floues généralisant les règles binaires et proches des règles floues définies par les chercheurs poursuivant les travaux de Zadeh, 3) MIDOVA, un algorithme extrayant les interactions n-aires entre variables - problème peu connu, peu abordé en informatique, et abordé avec de fortes limitations en statistiques - et 4) des méta-règles pour nettoyer le jeu de règles d'association de ses principales contradictions et redondances.

Dans un contexte d’étude de la pénibilité et de l’ergonomie au travail pour la prévention des troubles musculo-squelettiques, la société Ebhys cherche à développer un outil d’analyse de l’activité des opérateurs humains dans un centre de tri, par l’évaluation d’indicateurs ergonomiques. Pour faire face à l’environnement non contrôlé du centre de tri et pour faciliter l’acceptabilité du dispositif, ces indicateurs sont mesurés à partir d’images de profondeur. Une étude ergonomique nous permet de définir les indicateurs à mesurer. Ces indicateurs sont les zones d’évolution des mains de l’opérateur et d’angulations de certaines articulations du haut du corps. Ce sont donc des indicateurs obtenables à partir d’une analyse de la posture 3D de l’opérateur. Le dispositif de calcul des indicateurs sera donc composé de trois parties : une première partie sépare l’opérateur du reste de la scène pour faciliter l’estimation de posture 3D, une seconde partie calcule la posture 3D de l’opérateur, et la troisième utilise la posture 3D de l’opérateur pour calculer les indicateurs ergonomiques. Tout d’abord, nous proposons un algorithme qui permet d’extraire l’opérateur du reste de l’image de profondeur. Pour ce faire, nous utilisons une première segmentation automatique basée sur la suppression du fond statique et la sélection d’un objet dynamique à l’aide de sa position et de sa taille. Cette première segmentation sert à entraîner un algorithme d’apprentissage qui améliore les résultats obtenus. Cet algorithme d’apprentissage est entraîné à l’aide des segmentations calculées précédemment, dont on sélectionne automatiquement les échantillons de meilleure qualité au cours de l’entraînement. Ensuite, nous construisons un modèle de réseau de neurones pour l’estimation de la posture 3D de l’opérateur. Nous proposons une étude qui permet de trouver un modèle léger et optimal pour l’estimation de posture 3D sur des images de profondeur de synthèse, que nous générons numériquement. Finalement, comme ce modèle n’est pas directement applicable sur les images de profondeur acquises dans les centres de tri, nous construisons un module qui permet de transformer les images de profondeur de synthèse en images de profondeur plus réalistes. Ces images de profondeur plus réalistes sont utilisées pour réentrainer l’algorithme d’estimation de posture 3D, pour finalement obtenir une estimation de posture 3D convaincante sur les images de profondeur acquises en conditions réelles, permettant ainsi de calculer les indicateurs ergonomiques
In a context of study of stress and ergonomics at work for the prevention of musculoskeletal disorders, the company Ebhys wants to develop a tool for analyzing the activity of human operators in a waste sorting center, by measuring ergonomic indicators. To cope with the uncontrolled environment of the sorting center, these indicators are measured from depth images. An ergonomic study allows us to define the indicators to be measured. These indicators are zones of movement of the operator’s hands and zones of angulations of certain joints of the upper body. They are therefore indicators that can be obtained from an analysis of the operator’s 3D pose. The software for calculating the indicators will thus be composed of three steps : a first part segments the operator from the rest of the scene to ease the 3D pose estimation, a second part estimates the operator’s 3D pose, and the third part uses the operator’s 3D pose to compute the ergonomic indicators. First of all, we propose an algorithm that extracts the operator from the rest of the depth image. To do this, we use a first automatic segmentation based on static background removal and selection of a moving element given its position and size. This first segmentation allows us to train a neural network that improves the results. This neural network is trained using the segmentations obtained from the first automatic segmentation, from which the best quality samples are automatically selected during training. Next, we build a neural network model to estimate the operator’s 3D pose. We propose a study that allows us to find a light and optimal model for 3D pose estimation on synthetic depth images, which we generate numerically. However, if this network gives outstanding performances on synthetic depth images, it is not directly applicable to real depth images that we acquired in an industrial context. To overcome this issue, we finally build a module that allows us to transform the synthetic depth images into more realistic depth images. This image-to-image translation model modifies the style of the depth image without changing its content, keeping the 3D pose of the operator from the synthetic source image unchanged on the translated realistic depth frames. These more realistic depth images are then used to re-train the 3D pose estimation neural network, to finally obtain a convincing 3D pose estimation on the depth images acquired in real conditions, to compute de ergonomic indicators

Récemment, le développement de solutions automatiques et intelligentes pour la compréhension du contenu des vidéos et plus particulièrement pour l’analyse spatio-temporelle des mouvements Humains est au cœur de plusieurs domaines de recherche tels que les vidéos surveillances, les interactions Homme-Machine et la rééducation. Dans ce projet de thèse, nous proposons de procéder à l’analyse et la reconnaissance de la démarche en 3D qui est aussi un domaine de recherche actif en biométrie comportementale grâce au caractère non-invasif (aucune coopération de l’utilisateur), convivial (user-friendly) et bon marché de la démarche. Cette dernière a suscité plus d’intérêt avec la démocratisation de caméras de profondeurs bon marché (e.g., la Kinect), capables d’estimer en temps réel et de manière relativement précise les squelettes 3D et leurs mouvements, quand la personne est dans le champ de vue du capteur. Mais ces données squelettiques souffrent de la variabilité temporelle et spatiale. Pour faire face à ces verrous, nous proposons des nouvelles approches à partir de données squelettiques 3D où une séquence est d’abord représentée sur l’espace de formes de Kendall S par une trajectoire paramétrée par le temps. Les variabilités liées à l’échelle, la translation et la rotation sont ainsi filtrées. Cependant, vu la structure sphérique (non-linéaire) de la variété S, il n’est pas possible d’appliquer des techniques d’apprentissage automatique conventionnelle directement. C’est pourquoi nous avons eu recours à quelques outils de la géométrie riemannienne pour gérer le problème de non-linéarité. Notre première contribution présente une adaptation de l’Analyse en Composantes Principales Fonctionnelle (ACP fonctionnelle), qui tient compte de la nonlinéarité de l’espace de Kendall S. A l’issue de l’étape d’apprentissage, une nouvelle base de trajectoires principales, i.e., fonctions principales, est constituée. Étant donné une nouvelle trajectoire, elle est projetée sur cette nouvelle base avant d’être classée par une Machine à Vecteurs de Support (SVM). Les résultats expérimentaux sur différentes bases de données sont très compétitifs comparés à la littérature avec en plus une signature plus compacte et plus robuste. De plus, motivés par la puissance des réseaux de neurones et de l’apprentissage profond (Deep Learning), nous proposons, en deuxième méthode, un autoencodeur convolutif profond à caractère géométrique puisqu’il analyse les trajectoires de formes précédemment citées tout en tenant compte de la structure géométrique de notre espace de représentation. En fait, des étapes géométriques assurent que ces trajectoires peuvent être transmises à l’autoencodeur convolutif pour aboutir à une représentation compacte et discriminante permettant une bonne identification des personnes, et ce sans avoir recours à aucune technique d’alignement (e.g., DTW) ni de modélisation temporelle (e.g., HMM, RNN). Les résultats obtenus sur plusieurs bases publiques sont prometteurs par application à la reconnaissance de la démarche en 3D
In the field of Computer Vision and Pattern Recognition, human behavior understanding has attracted the attention of several research groups and specialized companies. Successful intelligent solutions will be playing an important role in applications which involve humanrobot or human-computer interaction, biometrics recognition (security), and physical performance assessment (healthcare and well-being) since it will help the human beings were their cognitive and limited capabilities cannot perform well. In my thesis project, we investigate the problem of 3D gait recognition and analysis as gait is user-friendly and a well-accepted technology especially with the availability of RGB-D sensors and algorithms for detecting and tracking of human landmarks in video streams. Unlike other biometrics such as fingerprints, face or iris, it can be acquired at a large distance and do not require any collaboration of the end user. This point makes gait recognition suitable in intelligent video surveillance problems used, for example, in the security field as one of the behavioral biometrics or in healthcare as good physical patterns. However, using 3D human body tracked landmarks to provide such motions’ analysis faces many challenges like spatial and temporal variations and high dimension. Hence, in this thesis, we propose novel frameworks to infer 3D skeletal sequences for the purpose of 3D gait analysis and recognition. They are based on viewing the above-cited sequences as time-parameterized trajectories on the Kendall shape space S, results of modding out shape-preserving transformations, i.e., scaling, translation and rotation. Considering the non-linear structure of the manifold on which these shape trajectories are lying, the use of the conventional machine learning tools and the standard computational tools cannot be straightforward. Hence, we make use of geometric steps related to the Riemannian geometry in order to handle the problem of nonlinearity. Our first contribution is a geometric-functional framework for 3D gait analysis with a direct application to behavioral biometric recognition and physical performance assessment. We opt for an extension of the functional Principal Component Analysis to the underlying space. This functional analysis of trajectories, grounding on the geometry of the space of representation, allows to extract compact and efficient biometric signatures. In addition, we also propose a geometric deep convolutional auto-encoder (DCAE) for the purpose of gait recognition from time-varying 3D skeletal data. To accommodate the Neural Network architectures to obtained manifold-valued trajectories on the underlying non-linear space S, these trajectories are mapped to a certain vector space by means of someRiemannien geometry tools, prior to the encoding-decoding scheme. Without applying any prior temporal alignment step (e.g., Dynamic Time Warping) or modeling (e.g., HMM, RNN), they are then fed to a convolutional auto-encoder to build an identity-relevant latent space that showed discriminating capacities for identifying persons when no Temporal Alignment is applied to the time-parametrized gait trajectories: Efficient gait patterns are extracted. Both approaches were tested on several publicly available datasets and shows promising results

Comprendre le contexte ambiant d'une maison est essentiel pour pouvoir proposer à ses occupants des services adaptés à leurs situations de vie, et qui répondent donc à leurs besoins. Un exemple de tel service est un assistant de communication, qui pourrait par exemple informer les personnes hors de la maison à propos de la disponibilité des habitants de celle-ci pour communiquer. Pour implémenter un tel service, il est en effet nécessaire que la maison prenne en compte les situations de ses occupants, pour ensuite en déduire leurs disponibilités.Dans cette thèse, nous nous intéressons dans un premier temps à définir ce qu'est le contexte dans une maison. Nous défendons que l'activité des occupants est l'une des dimensions principales du contexte d'une maison, nécessaire à la mise en œuvre de systèmes sensibles au contexte. C'est pourquoi nous étudions dans un second temps le problème de la reconnaissance automatique d'activités humaines, à partir des données de capteurs ambiants installés dans la maison. Nous proposons une nouvelle approche d'apprentissage automatique supervisé basée sur les lieux de la maison, qui améliore à la fois les performances de reconnaissance correcte d'activités ainsi que les temps de calcul nécessaires, par rapport aux approches de l'état de l'art.Par ailleurs, ces services sensibles au contexte auront probablement besoin de pouvoir anticiper les situations futures de la maison. En particulier, ils doivent pouvoir anticiper les activités futures réalisées par les occupants. C'est pourquoi nous proposons un nouveau modèle de prédiction supervisée d'activités, basé sur des modèles de l'état de l'art. Nous introduisons un certain nombre d'extensions à ce modèle afin d'améliorer les performances de prédiction, en se basant sur des spécificités des environnements de maisons instrumentées.Enfin, nous nous intéressons à l'estimation de la disponibilité des occupants à communiquer, afin d'illustrer la faisabilité de notre exemple de service d'assistance à la communication. Nous suggérons que la disponibilité peut être inférée à partir des dimensions primaires du contexte, comme le lieu et l'activité (que l'on peut reconnaitre et prédire à l'aide de nos contributions précédentes), mais en prenant également en compte le correspondant initiant la communication, ainsi que la modalité utilisée. Nous discutons de l'impact de l'étape de reconnaissance d'activités sur l'estimation de la disponibilité.Nous évaluons expérimentalement ces contributions sur différents jeux de données de l'état de l'art, ainsi que sur un nouveau jeu de données d'activités et de disponibilités dans la maison que nous avons spécifiquement construit durant cette thèse : Orange4Home. À travers nos contributions à ces trois problèmes, nous démontrons l'implémentabilité d'un service d'assistance à la communication, pouvant conseiller des correspondants extérieurs sur les futures disponibilités des occupants de la maison. De manière plus générale, nous montrons comment des dimensions secondaires du contexte, comme la disponibilité, peuvent être inférées d'autres dimensions du contexte, comme l'activité. Il est donc essentiel pour qu'une maison devienne sensible au contexte, que celle-ci dispose de systèmes de reconnaissance et de prédiction d'activités les plus fiables possibles
Understanding the context of a home is essential in order to provide services to occupants that fit their situations and thus fulfil their needs. One example of service that such a context-aware smart home could provide is that of a communication assistant, which can for example advise correspondents outside the home on the availability for communication of occupants. In order to implement such a service, it is indeed required that the home understands the situations of occupants, in order to derive their availability.In this thesis, we first propose a definition of context in homes. We argue that one of the primary context dimensions necessary for a system to be context-aware is the activity of occupants. As such, we then study the problem of recognizing activities, from ambient smart home sensors. We propose a new supervised place-based approach which both improves activity recognition accuracy as well as computing times compared to standard approaches.Smart home services, such as our communication assistance example, may often need to anticipate future situations. In particular, they need to anticipate future activities of occupants. Therefore, we design a new supervised activity prediction model, based on previous state-of-the-art work. We propose a number of extensions to improve prediction accuracy based on the specificities of smart home environments.Finally, we study the problem of inferring the availability of occupants for communication, in order to illustrate the feasibility of our communication assistant example. We argue that availability can be inferred from primary context dimensions such as place and activity (which can be recognized or predicted using our previous contributions), and by taking into consideration the correspondent initiating the communication as well as the modality of communication used. We discuss the impact of the activity recognition step on availability inference.We evaluate those contributions on various state-of-the-art datasets, as well as on a new dataset of activities and availabilities in homes which we constructed specifically for the purposes of this thesis: Orange4Home. Through our contributions to these 3 problems, we demonstrate the way in which an example context-aware communication assistance service can be implemented, which can advise on future availability for communication of occupants. More generally, we show how secondary context dimensions such as availability can be inferred from other context dimensions, in particular from activity. Highly accurate activity recognition and prediction are thus mandatory for a smart home to achieve context awareness

L'apprentissage profond est une branche du domaine de l'intelligence artificielle qui vise à doter les machines de la capacité d'apprendre par elles-mêmes à réaliser des tâches précises. L'apprentissage profond a abouti à des développements spectaculaires dans le domaine de l'image et du langage naturel au cours des dernières années. Pourtant, dans de nombreux domaines, les données d'observations ne sont ni des images ni du texte mais des séries temporelles qui représentent l'évolution de grandeurs mesurées ou calculées. Dans cette thèse, nous étudions et proposons différentes représentations de séries temporelles à partir de modèles d'apprentissage profond. Dans un premier temps, dans le domaine du contrôle de véhicules autonomes, nous montrons que l'analyse d'une fenêtre temporelle par un réseau de neurones permet d'obtenir de meilleurs résultats que les méthodes classiques qui n'utilisent pas de réseaux de neurones. Dans un second temps, en reconnaissance de gestes et d'actions, nous proposons des réseaux de neurones convolutifs 1D où la dimension temporelle seule est convoluée, afin de tirer profit des invariances temporelles. Dans un troisième temps, dans un but de génération de mouvements humains, nous proposons des réseaux de neurones génératifs convolutifs 2D où les dimensions temporelles et spatiales sont convoluées de manière jointe. Enfin, dans un dernier temps, nous proposons un plongement où des représentations spatiales de poses humaines sont (ré)organisées dans un espace latent en fonction de leurs relations temporelles
Artificial intelligence is the scientific field which studies how to create machines that are capable of intelligent behaviour. Deep learning is a family of artificial intelligence methods based on neural networks. In recent years, deep learning has lead to groundbreaking developments in the image and natural language processing fields. However, in many domains, input data consists in neither images nor text documents, but in time series that describe the temporal evolution of observed or computed quantities. In this thesis, we study and introduce different representations for time series, based on deep learning models. Firstly, in the autonomous driving domain, we show that, the analysis of a temporal window by a neural network can lead to better vehicle control results than classical approaches that do not use neural networks, especially in highly-coupled situations. Secondly, in the gesture and action recognition domain, we introduce 1D parallel convolutional neural network models. In these models, convolutions are performed over the temporal dimension, in order for the neural network to detect -and benefit from- temporal invariances. Thirdly, in the human pose motion generation domain, we introduce 2D convolutional generative adversarial neural networks where the spatial and temporal dimensions are convolved in a joint manner. Finally, we introduce an embedding where spatial representations of human poses are sorted in a latent space based on their temporal relationships

Pour réaliser un audit, l'utilisation de toutes les informations disponibles relatives à l'univers ou au sujet de l'audit pourrait améliorer la qualité des résultats. La classification des documents textuels de l'audit pourrait permettre l'utilisation d'informations supplémentaires pour améliorer les données structurées existantes, ce qui conduirait à une meilleure connaissance pour soutenir le processus d'audit. Nous avons appliqué cette démarche au traitement du langage naturel.

Sous l’angle de la cognition, la métaphore est non seulement un phénomène de langue, mais également un mécanisme cognitif fondamental dans notre compréhension du monde. Ainsi exerce-t-elle une influence considérable sur la lexicographie d’apprentissage, qui prête désormais un grand intérêt à la structure lexicale en tant que représentation de notre connaissance du monde. D’un côté, les lexicographes ont intérêt à élaborer des stratégies pour traiter différentes informations dans un dictionnaire d’apprentissage de façon à ce que les apprenants puissent comprendre le processus métaphorique et percevoir les acceptations d’un mot comme un continuum. D’un autre côté, bien que la vision humaine du monde soit universelle, la métaphorisation peut varier d’une langue à l’autre. Dans les dictionnaires bilingues qui mettent deux langues-cultures en contact, une perspective contrastive axée sur l’exploration de la métaphore permet aux apprenants de mieux repérer tant les particularités linguistiques que les différences culturelles à l’œuvre.