Descripteur
Documents disponibles dans cette catégorie (464)



Etendre la recherche sur niveau(x) vers le bas
Smart city data science: Towards data-driven smart cities with open research issues / Iqbal H. Sarker in Internet of Things, vol 19 (August 2022)
![]()
[article]
Titre : Smart city data science: Towards data-driven smart cities with open research issues Type de document : Article/Communication Auteurs : Iqbal H. Sarker, Auteur Année de publication : 2022 Article en page(s) : n° 100528 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Intelligence artificielle
[Termes IGN] apprentissage profond
[Termes IGN] gestion urbaine
[Termes IGN] internet des objets
[Termes IGN] planification urbaine
[Termes IGN] science des données
[Termes IGN] sécurité
[Termes IGN] télédétection
[Termes IGN] ville intelligenteRésumé : (auteur) Cities are undergoing huge shifts in technology and operations in recent days, and ‘data science’ is driving the change in the current age of the Fourth Industrial Revolution (Industry 4.0 or 4IR). Extracting useful knowledge or actionable insights from city data and building a corresponding data-driven model is the key to making a city system automated and intelligent. Data science is typically the scientific study and analysis of actual happenings with historical data using a variety of scientific methodologies, machine learning techniques, processes, and systems. In this paper, we concentrate on and explore “Smart City Data Science”, where city data collected from various sources such as sensors, Internet-connected devices, or other external sources, is being mined for insights and hidden correlations to enhance decision-making processes and deliver better and more intelligent services to citizens. To achieve this goal, artificial intelligence, particularly, machine learning analytical modeling can be employed to provide deeper knowledge about city data, which makes the computing process more actionable and intelligent in various real-world city services. Finally, we identify and highlight ten open research issues for future development and research in the context of data-driven smart cities. Overall, we aim to provide an insight into smart city data science conceptualization on a broad scale, which can be used as a reference guide for the researchers, industry professionals, as well as policy-makers of a country, particularly, from the technological point of view. Numéro de notice : A2022-383 Affiliation des auteurs : non IGN Thématique : INFORMATIQUE/SOCIETE NUMERIQUE Nature : Article DOI : 10.1016/j.iot.2022.100528 Date de publication en ligne : 20/04/2022 En ligne : https://doi.org/10.1016/j.iot.2022.100528 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=100660
in Internet of Things > vol 19 (August 2022) . - n° 100528[article]DiffusionNet: discretization agnostic learning on surfaces / Nicholas Sharp in ACM Transactions on Graphics, TOG, Vol 41 n° 3 (June 2022)
![]()
[article]
Titre : DiffusionNet: discretization agnostic learning on surfaces Type de document : Article/Communication Auteurs : Nicholas Sharp, Auteur ; Souhaib Attaiki, Auteur ; K. Crane, Auteur ; et al., Auteur Année de publication : 2022 Article en page(s) : pp 1 - 16 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Intelligence artificielle
[Termes IGN] apprentissage profond
[Termes IGN] discrétisation
[Termes IGN] maillage
[Termes IGN] Perceptron multicouche
[Termes IGN] Triangular Regular Network
[Termes IGN] voisinage (relation topologique)Résumé : (auteur) We introduce a new general-purpose approach to deep learning on three-dimensional surfaces based on the insight that a simple diffusion layer is highly effective for spatial communication. The resulting networks are automatically robust to changes in resolution and sampling of a surface—a basic property that is crucial for practical applications. Our networks can be discretized on various geometric representations, such as triangle meshes or point clouds, and can even be trained on one representation and then applied to another. We optimize the spatial support of diffusion as a continuous network parameter ranging from purely local to totally global, removing the burden of manually choosing neighborhood sizes. The only other ingredients in the method are a multi-layer perceptron applied independently at each point and spatial gradient features to support directional filters. The resulting networks are simple, robust, and efficient. Here, we focus primarily on triangle mesh surfaces and demonstrate state-of-the-art results for a variety of tasks, including surface classification, segmentation, and non-rigid correspondence. Numéro de notice : A2022-321 Affiliation des auteurs : non IGN Thématique : IMAGERIE/INFORMATIQUE Nature : Article DOI : 10.1145/3507905 Date de publication en ligne : 07/03/2022 En ligne : https://doi.org/10.1145/3507905 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=100369
in ACM Transactions on Graphics, TOG > Vol 41 n° 3 (June 2022) . - pp 1 - 16[article]Graph neural network based model for multi-behavior session-based recommendation / Bo Yu in Geoinformatica [en ligne], vol 26 n° 2 (April 2022)
![]()
[article]
Titre : Graph neural network based model for multi-behavior session-based recommendation Type de document : Article/Communication Auteurs : Bo Yu, Auteur ; Ruoqian Zhang, Auteur ; Wei Chen, Auteur ; Junhua Fang, Auteur Année de publication : 2022 Article en page(s) : pp 429 - 447 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Intelligence artificielle
[Termes IGN] attention (apprentissage automatique)
[Termes IGN] comportement
[Termes IGN] consommation
[Termes IGN] modèle de simulation
[Termes IGN] réseau neuronal de graphes
[Termes IGN] réseau sémantique
[Termes IGN] service fondé sur la positionMots-clés libres : session Résumé : (auteur) Multi-behavior session-based recommendation aims to predict the next item, such as a location-based service (LBS) or a product, to be interacted by a specific behavior type (e.g., buy or click) in a session involving multiple types of behaviors. State-of-the-art methods generally model multi-behavior dependencies in item-level, but ignore the potential of discovering useful patterns of multi-behavior transition through feature-level representation learning. Besides, sequential and non-sequential patterns should be properly fused in session modeling to capture dynamic interests within the session. To this end, this paper proposes a Graph Neural Network based Hybrid Model GNNH, which enables feature-level deeper representations of multi-behavior interaction sequences for session-based recommendation. Specifically, we first construct multi-relational item graph (MRIG) and feature graph (MRFG) based on session sequences. On top of the MRIG and MRFG, our model takes advantage of GNN to capture item and feature representations, such that global item-to-item and feature-to-feature relations are fully preserved. Afterwards, each multi-behavior session is modeled by a seamless fusion of interacted item and feature representations, where self-attention and mean-pooling are used to obtain sequential and non-sequential patterns simultaneously. Experiments on two real datasets show that the GNNH model significantly outperforms the state-of-the-art methods. Numéro de notice : A2022-326 Affiliation des auteurs : non IGN Thématique : GEOMATIQUE/INFORMATIQUE Nature : Article DOI : 10.1007/s10707-021-00439-w Date de publication en ligne : 29/05/2021 En ligne : https://doi.org/10.1007/s10707-021-00439-w Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=100489
in Geoinformatica [en ligne] > vol 26 n° 2 (April 2022) . - pp 429 - 447[article]Apprentissage de représentations et modèles génératifs profonds dans les systèmes dynamiques / Jean-Yves Franceschi (2022)
![]()
Titre : Apprentissage de représentations et modèles génératifs profonds dans les systèmes dynamiques Type de document : Thèse/HDR Auteurs : Jean-Yves Franceschi, Auteur ; Sylvain Lamprier, Directeur de thèse ; Patrick Gallinari, Directeur de thèse Editeur : Paris : Sorbonne Université Année de publication : 2022 Importance : 304 p. Format : 21 x 30 cm Note générale : Bibliographie
Thèse soutenue pour obtenir le grade de Docteur en Informatique de Sorbonne UniversitéLangues : Anglais (eng) Descripteur : [Vedettes matières IGN] Intelligence artificielle
[Termes IGN] apprentissage profond
[Termes IGN] classification non dirigée
[Termes IGN] données spatiotemporelles
[Termes IGN] équation différentielle
[Termes IGN] processus stochastique
[Termes IGN] réseau antagoniste génératif
[Termes IGN] réseau neuronal récurrent
[Termes IGN] série temporelle
[Termes IGN] système dynamiqueIndex. décimale : THESE Thèses et HDR Résumé : (auteur) L'essor de l'apprentissage profond trouve notamment sa source dans les avancées scientifiques qu'il a permises en termes d'apprentissage de représentations et de modèles génératifs. Dans leur grande majorité, ces progrès ont cependant été obtenus sur des données textuelles et visuelles statiques, les données temporelles demeurant un défi pour ces méthodes. Compte tenu de leur importance pour l'automatisation croissante de multiples tâches, de plus en plus de travaux en apprentissage automatique s'intéressent aux problématiques d'évolution temporelle. Dans cette thèse, nous étudions ainsi plusieurs aspects de la temporalité et des systèmes dynamiques dans les réseaux de neurones profonds pour l'apprentissage non supervisé de représentations et de modèles génératifs. Premièrement, nous présentons une méthode générale d'apprentissage de représentations non supervisée pour les séries temporelles prenant en compte des besoins pratiques d'efficacité et de flexibilité. Dans un second temps, nous nous intéressons à l'apprentissage pour les séquences structurées de nature spatio-temporelle, couvrant les vidéos et phénomènes physiques. En les modélisant par des équations différentielles paramétrisées par des réseaux de neurones, nous montrons la corrélation entre la découverte de représentations pertinentes d'un côté, et de l'autre la fabrique de modèles prédictifs performants sur ces données. Enfin, nous analysons plus généralement dans une troisième partie les populaires réseaux antagonistes génératifs dont nous décrivons la dynamique d'apprentissage par des équations différentielles, nous permettant d'améliorer la compréhension de leur fonctionnement. Note de contenu : 1- Motivation
2- Time series representation learning
3- State-space predictive models for spatiotemporal data
4- Analysis of GANs’ training dynamics
5- ConclusionNuméro de notice : 60736 Affiliation des auteurs : non IGN Thématique : INFORMATIQUE Nature : Thèse française Note de thèse : Thèse de Doctorat : Informatique : Paris : 2022 DOI : sans En ligne : https://tel.archives-ouvertes.fr/tel-03591720 Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=100472
Titre : Introduction au Machine Learning Type de document : Guide/Manuel Auteurs : Chloé-Agathe Azencott, Auteur Mention d'édition : 2ème édition Editeur : Paris : Dunod Année de publication : 2022 Collection : Info Sup Importance : 256 p. Format : 17 x 24 cm ISBN/ISSN/EAN : 978-2-10-083476-1 Langues : Français (fre) Descripteur : [Vedettes matières IGN] Intelligence artificielle
[Termes IGN] analyse discriminante
[Termes IGN] apprentissage automatique
[Termes IGN] apprentissage dirigé
[Termes IGN] apprentissage non-dirigé
[Termes IGN] apprentissage par renforcement
[Termes IGN] arbre de décision
[Termes IGN] classification bayesienne
[Termes IGN] données d'entrainement sans étiquette
[Termes IGN] données étiquetées d'entrainement
[Termes IGN] méthode du maximum de vraisemblance (estimation)
[Termes IGN] modèle de régression
[Termes IGN] partition des données
[Termes IGN] plus proche voisin, algorithme du
[Termes IGN] réseau neuronal artificiel
[Termes IGN] séparateur à vaste margeIndex. décimale : 26.40 Intelligence artificielle Résumé : (Editeur) Cet ouvrage s'adresse aux étudiantes et étudiants en informatique ou maths appliquées, en L3, master ou école d'ingénieurs. Le Machine Learning est une discipline dont les outils puissants permettent aujourd'hui à de nombreux secteurs d'activité de réaliser des progrès spectaculaires grâce à l'exploitation de grands volumes de données. Le but de cet ouvrage est de vous fournir des bases solides sur les concepts et les algorithmes de ce domaine en plein essor. Il vous aidera à identifier les problèmes qui peuvent être résolus par une approche Machine Learning, à les formaliser, à identifier les algorithmes les mieux adaptés à chaque problème, à les mettre en oeuvre, et enfin à savoir évaluer les résultats obtenus. Les notions de cours sont illustrées et complétées par 85 exercices, tous corrigés. Note de contenu :
1. Présentation du machine learning
2. Apprentissage supervisé
3. Sélection de modèle et évaluation
4. Inférence bayésienne
5. Régressions paramétriques
6. Régularisation
7. Réseaux de neurones artificiels
8. Méthodes des plus proches voisins
9. Arbres et forêts
10. Machines à vecteurs de support et méthodes à noyaux
11. Réduction de dimension
12. Clustering
Annexe A - Notions d'optimisation convexe
Annexe B - Notions d'estimation ponctuelleNuméro de notice : 26783 Affiliation des auteurs : non IGN Thématique : INFORMATIQUE Nature : Manuel de cours Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=99909 Réservation
Réserver ce documentExemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité 26783-01 26.40 Manuel Informatique Centre de documentation Informatique Disponible PermalinkPermalinkUnsupervised generative models for data analysis and explainable artificial intelligence / Mohanad Abukmeil (2022)
PermalinkMachine learning and geodesy: A survey / Jemil Butt in Journal of applied geodesy, vol 15 n° 2 (April 2021)
PermalinkPermalinkPermalinkPermalinkPermalinkPermalinkPermalink