dsotofor / Manuscrit

Commit dd34f9bc056268cc1dbfc7fe9c97d574c48ab4c4

Authored by dsotofor 2025-04-19 20:28:29 +0200

Exists in main

another version

Showing 5 changed files with 13 additions and 13 deletions Side-by-side Diff

chapters/CBR.aux
chapters/CBR.tex
main.log
main.pdf
main.synctex.gz

...	...	@@ -18,6 +18,8 @@
18	18	\citation{ROLDANREYES20151}
19	19	\citation{10.1007/978-3-319-47096-2_11}
20	20	\citation{10.1007/978-3-319-61030-6_1}
	21	+\citation{buildings13030651}
	22	+\citation{YU2023110163}
21	23	\citation{Muller}
22	24	\citation{10.1007/978-3-319-24586-7_20}
23	25	\citation{10.1007/978-3-030-58342-2_20}
...	...	@@ -26,8 +28,6 @@
26	28	\citation{10.1007/978-3-030-58342-2_5}
27	29	\citation{8495930}
28	30	\citation{Obeid}
29		-\citation{buildings13030651}
30		-\citation{YU2023110163}
31	31	\citation{ROLDANREYES20151}
32	32	\citation{ROLDANREYES20151}
33	33	\citation{Obeid}

...	...	@@ -28,6 +28,12 @@
28	28
29	29	\cite{10.1007/978-3-319-61030-6_1} s'intéressent quant à eux à la génération de recettes de cuisine originales. Les auteurs modifient le cycle traditionnel du RàPC et créent deux cycles, combinant l'apprentissage profond et la récupération de cas basée sur la similarité, le premier cycle génère des descriptions abstraites de la conception avec des algorithmes génétiques et un réseau neuronal profond, le second cycle utilise les descriptions abstraites pour récupérer et adapter des objets, cette structure donne lieu à un prototype appelé Q-chef qui génère une recette basée sur la base de données d'ingrédients et les demandes de l'utilisateur. Ce travail ne montre pas de métriques standard génériques mais utilise deux nombres indicatifs (plausibilité et surprise) pour démontrer la génération efficace de nouvelles recettes selon les critères de l'utilisateur en comparant le RàPC à deux cycles avec le RàPC à un cycle, démontrant plus de plausibilité et de surprise dans les recettes générées.
30	30
	31	+--- Méthodes d'ensemble
	32	+
	33	+\cite{buildings13030651} mettent en œuvre un RáPC avec une méthode d'agrégation bootstrap (bagging) pour améliorer la précision du CBR et réduire la variance.
	34	+
	35	+Un modèle d'ensemble fondé sur le raisonnement à partir de cas est proposé par \cite{YU2023110163} appliqué à la prédiction financière et au remplissage des données manquantes. Dans ce cas, pour retrouver les plus proches voisins, le modèle utilise trois mesures de distance différentes et une étape de vote pour l'intégration. Le modèle a été testé avec une base de données comportant onze dimensions d'informations financières provenant de 249 entreprises. La comparaison est faite avec deux objectifs. Premièrement, le remplissage des données manquantes avec d'autres algorithmes tels que KNN ou RandomForest, et deuxièmement, la comparaison de la prédiction avec des algorithmes uniques utilisant une métrique de distance spécifique. En effet, les résultats montrent une meilleure performance dans le remplissage des données manquantes et les meilleurs résultats dans la prédiction.
	36	+
31	37	--- Techniques de génération / transformation de solutions
32	38
33	39	La représentation des cas peut permettre également d'améliorer les résultats d'un système de RàPC. La performance d'un système de RàPC dépend de la quantité d'informations stockées, mais également des algorithmes implémentés. C'est le cas dans \cite{Muller} où les recettes sont codées comme un processus de transformation et mélangent des ingrédients en suivant une suite d'étapes ordonnés. Pour créer des recettes innovantes, une mesure de distance est utilisée entre les ingrédients. Cette mesure permet de trouver une recette en substituant certains ingrédients par d'autres, similaires ou aux qualités et/ou caractéristiques similaires. De la même manière, il est possible de créer des recettes plus proches des exigences des utilisateurs. Les étapes de transformation appelées aussi opérateurs sont stockées et catégorisées grâce à une métrique permettant de les échanger afin d'obtenir une nouvelle recette.
...	...	@@ -43,12 +49,6 @@
43	49	Dans \cite{10.1007/978-3-030-58342-2_8}, les auteurs essaient de prédire le meilleur temps d'un patineur par analogie avec ceux des patineurs ayant des caractéristiques et une histoire de course similaires. Cependant parfois, calculer une moyenne des temps similaires trouvés ne suffit pas. Certaines caractéristiques liées au contexte, à l'environnement et à la nature de la course (le type de course, le type de piste, la distance à parcourir, etc.), peuvent en effet influencer de manière importante la performance du patineur. L'algorithme a été testé avec une base de données contenant les informations de 21 courses de 500m, 700m, 1000m, 1500m, 3km, 5km and 10km réalisées entre Septembre 2015 et Janvier 2020.
44	50
45	51	Un système multi-fonctionnel est décrit dans \cite{10.1007/978-3-030-58342-2_5}. Celui-ci permet d’obtenir une prédiction du temps de course, de suggérer un plan du rythme de la course et il recommande également un plan d'entraînement pour une course donnée. Les trois fonctionnalités sont implémentées en utilisant le RàPC. Les calculs de la similarité sont fondés sur un historique et des caractéristiques physiques des coureurs. Les plans d'entraînement sont génériques et sont proposés sur les 16 semaines précédant le début du marathon ciblé (selon les auteurs, c'est en effet le temps usuel pour une préparation à ce type d'épreuve). Le système a été évalué avec une base de données constituée de caractéristiques de 21000 coureurs des marathons de Dublin, Londres ou New-York pour la période de 2014 à 2017.
46		-
47		---- Méthodes d'ensemble
48		-
49		-\cite{buildings13030651} mettent en œuvre un RáPC avec une méthode d'agrégation bootstrap (bagging) pour améliorer la précision du CBR et réduire la variance.
50		-
51		-Un modèle d'ensemble fondé sur le raisonnement à partir de cas est proposé par \cite{YU2023110163} appliqué à la prédiction financière et au remplissage des données manquantes. Dans ce cas, pour retrouver les plus proches voisins, le modèle utilise trois mesures de distance différentes et une étape de vote pour l'intégration. Le modèle a été testé avec une base de données comportant onze dimensions d'informations financières provenant de 249 entreprises. La comparaison est faite avec deux objectifs. Premièrement, le remplissage des données manquantes avec d'autres algorithmes tels que KNN ou RandomForest, et deuxièmement, la comparaison de la prédiction avec des algorithmes uniques utilisant une métrique de distance spécifique. En effet, les résultats montrent une meilleure performance dans le remplissage des données manquantes et les meilleurs résultats dans la prédiction.
52	52
53	53	--- Systèmes de recommandation
54	54

1		-This is pdfTeX, Version 3.141592653-2.6-1.40.25 (TeX Live 2023) (preloaded format=pdflatex 2023.5.31) 18 APR 2025 09:15
	1	+This is pdfTeX, Version 3.141592653-2.6-1.40.25 (TeX Live 2023) (preloaded format=pdflatex 2023.5.31) 19 APR 2025 20:26
2	2	entering extended mode
3	3	restricted \write18 enabled.
4	4	%&-line parsing enabled.
5	5
6	6
...	...	@@ -1418,17 +1418,17 @@
1418	1418
1419	1419	[]
1420	1420
1421		-<./Figures/ModCBR1.png, id=622, 942.52126pt x 624.83438pt>
	1421	+<./Figures/ModCBR1.png, id=623, 942.52126pt x 624.83438pt>
1422	1422	File: ./Figures/ModCBR1.png Graphic file (type png)
1423	1423	<use ./Figures/ModCBR1.png>
1424	1424	Package pdftex.def Info: ./Figures/ModCBR1.png used on input line 66.
1425	1425	(pdftex.def) Requested size: 427.43153pt x 283.36574pt.
1426		-<./Figures/taxonomieEIAH.png, id=625, 984.67876pt x 614.295pt>
	1426	+<./Figures/taxonomieEIAH.png, id=626, 984.67876pt x 614.295pt>
1427	1427	File: ./Figures/taxonomieEIAH.png Graphic file (type png)
1428	1428	<use ./Figures/taxonomieEIAH.png>
1429	1429	Package pdftex.def Info: ./Figures/taxonomieEIAH.png used on input line 72.
1430	1430	(pdftex.def) Requested size: 427.43153pt x 266.65376pt.
1431		-<./Figures/ModCBR2.png, id=628, 1145.27875pt x 545.03625pt>
	1431	+<./Figures/ModCBR2.png, id=629, 1145.27875pt x 545.03625pt>
1432	1432	File: ./Figures/ModCBR2.png Graphic file (type png)
1433	1433	<use ./Figures/ModCBR2.png>
1434	1434	Package pdftex.def Info: ./Figures/ModCBR2.png used on input line 81.
...	...	@@ -1704,7 +1704,7 @@
1704	1704	lvetic/uhvr8a.pfb></usr/local/texlive/2023/texmf-dist/fonts/type1/urw/helvetic/
1705	1705	uhvro8a.pfb></usr/local/texlive/2023/texmf-dist/fonts/type1/urw/times/utmr8a.pf
1706	1706	b></usr/local/texlive/2023/texmf-dist/fonts/type1/urw/times/utmri8a.pfb>
1707		-Output written on main.pdf (72 pages, 6677764 bytes).
	1707	+Output written on main.pdf (72 pages, 6677711 bytes).
1708	1708	PDF statistics:
1709	1709	1027 PDF objects out of 1200 (max. 8388607)
1710	1710	864 compressed objects within 9 object streams

No preview for this file type