No description available.

Notre capacité grandissante à collecter et stocker des données a fait de l'apprentissage non supervisé un outil indispensable qui permet la découverte de structures et de modèles sous-jacents aux données, sans avoir à \étiqueter les individus manuellement. Parmi les différentes approches proposées pour aborder ce type de problème, le clustering est très certainement le plus répandu. Le clustering suppose que chaque groupe, également appelé cluster, est distribué autour d'un centre défini en fonction des valeurs qu'il prend pour l'ensemble des variables. Cependant, dans certaines applications du monde réel, et notamment dans le cas de données de dimension importante, cette hypothèse peut être invalidée. Aussi, les algorithmes de co-clustering ont-ils été proposés: ils décrivent les groupes d'individus par un ou plusieurs sous-ensembles de variables au regard de leur pertinence. La structure des données finalement obtenue est composée de blocs communément appelés co-clusters. Dans les deux premiers chapitres de cette thèse, nous présentons deux approches de co-clustering permettant de différencier les variables pertinentes du bruit en fonction de leur capacité \`a révéler la structure latente des données, dans un cadre probabiliste d'une part et basée sur la notion de métrique, d'autre part. L'approche probabiliste utilise le principe des modèles de mélanges, et suppose que les variables non pertinentes sont distribuées selon une loi de probabilité dont les paramètres sont indépendants de la partition des données en cluster. L'approche métrique est fondée sur l'utilisation d'une distance adaptative permettant d'affecter à chaque variable un poids définissant sa contribution au co-clustering. D'un point de vue théorique, nous démontrons la convergence des algorithmes proposés en nous appuyant sur le théorème de convergence de Zangwill. Dans les deux chapitres suivants, nous considérons un cas particulier de structure en co-clustering, qui suppose que chaque sous-ensemble d'individus et décrit par un unique sous-ensemble de variables. La réorganisation de la matrice originale selon les partitions obtenues sous cette hypothèse révèle alors une structure de blocks homogènes diagonaux. Comme pour les deux contributions précédentes, nous nous plaçons dans le cadre probabiliste et métrique. L'idée principale des méthodes proposées est d'imposer deux types de contraintes : (1) nous fixons le même nombre de cluster pour les individus et les variables; (2) nous cherchons une structure de la matrice de données d'origine qui possède les valeurs maximales sur sa diagonale (par exemple pour le cas des données binaires, on cherche des blocs diagonaux majoritairement composés de valeurs 1, et de 0 à l’extérieur de la diagonale). Les approches proposées bénéficient des garanties de convergence issues des résultats des chapitres précédents. Enfin, pour chaque chapitre, nous dérivons des algorithmes permettant d'obtenir des partitions dures et floues. Nous évaluons nos contributions sur un large éventail de données simulées et liées a des applications réelles telles que le text mining, dont les données peuvent être binaires ou continues. Ces expérimentations nous permettent également de mettre en avant les avantages et les inconvénients des différentes approches proposées. Pour conclure, nous pensons que cette thèse couvre explicitement une grande majorité des scénarios possibles découlant du co-clustering flou et dur, et peut être vu comme une généralisation de certaines approches de biclustering populaires. / With the increasing number of data available, unsupervised learning has become an important tool used to discover underlying patterns without the need to label instances manually. Among different approaches proposed to tackle this problem, clustering is arguably the most popular one. Clustering is usually based on the assumption that each group, also called cluster, is distributed around a center defined in terms of all features while in some real-world applications dealing with high-dimensional data, this assumption may be false. To this end, co-clustering algorithms were proposed to describe clusters by subsets of features that are the most relevant to them. The obtained latent structure of data is composed of blocks usually called co-clusters. In first two chapters, we describe two co-clustering methods that proceed by differentiating the relevance of features calculated with respect to their capability of revealing the latent structure of the data in both probabilistic and distance-based framework. The probabilistic approach uses the mixture model framework where the irrelevant features are assumed to have a different probability distribution that is independent of the co-clustering structure. On the other hand, the distance-based (also called metric-based) approach relied on the adaptive metric where each variable is assigned with its weight that defines its contribution in the resulting co-clustering. From the theoretical point of view, we show the global convergence of the proposed algorithms using Zangwill convergence theorem. In the last two chapters, we consider a special case of co-clustering where contrary to the original setting, each subset of instances is described by a unique subset of features resulting in a diagonal structure of the initial data matrix. Same as for the two first contributions, we consider both probabilistic and metric-based approaches. The main idea of the proposed contributions is to impose two different kinds of constraints: (1) we fix the number of row clusters to the number of column clusters; (2) we seek a structure of the original data matrix that has the maximum values on its diagonal (for instance for binary data, we look for diagonal blocks composed of ones with zeros outside the main diagonal). The proposed approaches enjoy the convergence guarantees derived from the results of the previous chapters. Finally, we present both hard and fuzzy versions of the proposed algorithms. We evaluate our contributions on a wide variety of synthetic and real-world benchmark binary and continuous data sets related to text mining applications and analyze advantages and inconvenients of each approach. To conclude, we believe that this thesis covers explicitly a vast majority of possible scenarios arising in hard and fuzzy co-clustering and can be seen as a generalization of some popular biclustering approaches.

Cette thèse est consacrée à l'étude des oscillations périodiques détectées lors des sursauts X des étoiles à neutrons, dans des binaires X de faible masse. Ces oscillations offrent un moyen de sonder l'intérieur de ces objets, en mesurant notamment leur masse et leur rayon, pour ainsi contraindre l'équation d'état de la matière dense. J'ai développé des méthodes de détection et d'analyse de ces signaux, de leurs propriétés temporelles et leur dépendance en énergie. J'ai analysé les oscillations détectées dans tous les sursauts X de type 1 (ainsi qu'un super-sursaut) de 3 étoiles à neutrons observées avec l'instrument Rossi X-ray Timing Explorer/Proportional Counter Array . Sur les courbes de lumière des sursauts, j'ai sélectionné les segments donnant la meilleure signification statistique, pour construire un catalogue de profils moyens d'oscillations. La forme des profils varie grandement d'un sursaut à un autre, pour une même source. Un grand nombre de paramètres peuvent affecter les oscillations. J'ai élaboré un modèle de tache chaude à la surface de l'étoile en rotation rapide pour caractériser l'émission du sursaut X, dans un espace-temps relativiste. En utilisant les chaînes de Markov Monte Carlo pour explorer efficacement un espace des paramètres conséquent, les ajustements sur un échantillon de sursauts ont démontré l'applicabilité du modèle. Par contre, les contraintes obtenues sur la masse et le rayon de l'étoile sont limitées par la qualité des données de l'instrument utilisé. Enfin, des simulations révèlent que des mesures précises sur les paramètres sont possibles en augmentant la surface collectrice des détecteurs, comme le proposent les observatoires X du futur.

La présente thèse porte sur l'étude de plusieurs systèmes binaires X accrétants contenant un trou noir stellaire (avéré ou potentiel) à travers les propriétés spectrales et temporelles de leurs émissions à haute énergie entre 3 keV et 1 MeV, éventuellement agrémentées d'observations dans les domaines radio, proche infrarouge et visible. La première partie est consacrée à la physique de l'accrétion, aux enjeux qu'elle représente et modélisations qui en découlent pour expliquer le rayonnement perçu. Je détaille dans une deuxième partie les instruments à bord d'INTEGRAL dont les trois instruments principaux utilisent les techniques d'imagerie à masque codé. Ensuite, je présente les procédures d'analyses de données avant de montrer mon apport personnel à l'amélioration des logiciels existants et à la création d'outils informatiques spécifiques à mes analyses. Dans une quatrième partie, je présente mes analyses et interprétations sur les observations de plusieurs sources binaires X à trou noir, judicieusement déterminées et choisies : Cygnus X-1, trou noir confirmé persistant étudié depuis de nombreuses années ayant surpris par un excès haute énergie détecté ; deux sources transitoires nouvelles et intéressantes, XTE J1720-318 située dans le centre galactique et SWIFT J1753.5-0127, plus probablement localisée dans le halo. Je détaille ensuite mes analyses sur H 1743-322, identifiée grâce à INTEGRAL avec une source découverte par HEAO en 1977, et sur trois microquasars presque persistants à jets superluminiques, 1E 1740.7-2942, GRS 1758-258 et GRS 1915+105. J'analyse les liens entre les paramètres spectraux et leurs changements lors des transitions entre états. Je discute la présence de deux milieux émetteurs de rayons X/gamma, de géométrie relative changeante. Pour GRS 1915+105, j'établis un cycle probable ordonné dans la succession de ses variabilités pendant dix années et je propose une interprétation compatible avec les prédictions du modèle d'Instabilité d'Accrétion-Ejection. En conclusion, je commente ces résultats spectro-temporels dans le cadre de modèles théoriques expliquant les phénomènes observés et déduis certaines limites à notre compréhension générale des systèmes binaires X. Je décris ce qu'apportent deux nouveaux phénomènes observés et termine par mes perspectives de recherches.

Ce manuscrit rassemble une série de travaux observationnels et phénoménologiques relatifs à des objets compacts variables du centre de notre Galaxie, à savoir le trou noir supermassif central, Sagittarius A*, et des étoiles à neutrons hébergées par des sursauteurs X. La première partie traite de la source Sgr A*, sujette à des éruptions quotidiennes, dont les mécanismes déclencheurs et les processus de rayonnement sont encore inconnus. Cette activité éruptive a été sondée par l'intermédiaire de plusieurs vastes campagnes d'observations multi-longueurs d'onde (en rayons gamma, rayons X, infrarouge et submillimétrique) étalées entre 2007 et 2009. Des données recueillies simultanément par les instruments XMM-Newton/EPIC, INTEGRAL/ISGRI+JEM-X, Fermi/LAT, VLT/NACO+VISIR et APEX/LABOCA, lors de plusieurs nouvelles éruptions majeures, ont ainsi permis de caractériser en détail le comportement spectro-temporelle de ces dernières et de contraindre les modèles d'émissions non-thermiques du milieu radiatif (synchrotron, Compton inverse, plasmoïde en expansion). Dans un second temps, une vingtaine de sursauts X de type I en provenance de deux binaires X de faible masse, transitoires, du noyau Galactique, GRS 1741.9-2853 et AX J1745.6-2901, ont été examinés à travers les données de différents satellites X de basse énergie (2-30 keV). Ces observations ont été discutées dans le cadre théorique, relativement bien établi, d'explosions thermonucléaires d'un mélange hydrogène-hélium, amassé à la surface d'étoiles à neutrons accrétantes.