L'apprentissage automatique doit faire face à différentes difficultés lorsqu'il est confronté aux particularités des données réelles. En effet, ces données sont généralement complexes, volumineuses, de nature hétérogène, de sources variées, souvent acquises automatiquement. Parmi les difficultés les plus connues, on citera les problèmes liés à la sensibilité des algorithmes aux données bruitées et le traitement des données lorsque la variable de classe est déséquilibrée. Le dépassement de ces problèmes constitue un véritable enjeu pour améliorer l'efficacité du processus d'apprentissage face à des données réelles. Nous avons choisi dans cette thèse de réfléchir à des procédures adaptatives du type boosting qui soient efficaces en présence de bruit ou en présence de données déséquilibrées.Nous nous sommes intéressés, d’abord, au contrôle du bruit lorsque l'on utilise le boosting. En effet, les procédures de boosting ont beaucoup contribué à améliorer l'efficacité des procédures de prédiction en data mining, sauf en présence de données bruitées. Dans ce cas, un double problème se pose : le sur-apprentissage des exemples bruités et la détérioration de la vitesse de convergence du boosting. Face à ce double problème, nous proposons AdaBoost-Hybride, une adaptation de l’algorithme Adaboost fondée sur le lissage des résultats des hypothèses antérieures du boosting, qui a donné des résultats expérimentaux très satisfaisants.Ensuite, nous nous sommes intéressés à un autre problème ardu, celui de la prédiction lorsque la distribution de la classe est déséquilibrée. C'est ainsi que nous proposons une méthode adaptative du type boosting fondée sur la classification associative qui a l’intérêt de permettre la focalisation sur des petits groupes de cas, ce qui est bien adapté aux données déséquilibrées. Cette méthode repose sur 3 contributions : FCP-Growth-P, un algorithme supervisé de génération des itemsets de classe fréquents dérivé de FP-Growth dans lequel est introduit une condition d'élagage fondée sur les contre-exemples pour la spécification des règles, W-CARP une méthode de classification associative qui a pour but de donner des résultats au moins équivalents à ceux des approches existantes pour un temps d'exécution beaucoup plus réduit, enfin CARBoost, une méthode de classification associative adaptative qui utilise W-CARP comme classifieur faible. Dans un chapitre applicatif spécifique consacré à la détection d’intrusion, nous avons confronté les résultats de AdaBoost-Hybride et de CARBoost à ceux des méthodes de référence (données KDD Cup 99). / Machine learning often overlooks various difficulties when confronted real data. Indeed, these data are generally complex, voluminous, and heterogeneous, due to the variety of sources. Among these problems, the most well known concern the sensitivity of the algorithms to noise and unbalanced data. Overcoming these problems is a real challenge to improve the effectiveness of the learning process against real data. In this thesis, we have chosen to improve adaptive procedures (boosting) that are less effective in the presence of noise or with unbalanced data.First, we are interested in robustifying Boosting against noise. Most boosting procedures have contributed greatly to improve the predictive power of classifiers in data mining, but they are prone to noisy data. In this case, two problems arise, (1) the over-fitting due to the noisy examples and (2) the decrease of convergence rate of boosting. Against these two problems, we propose AdaBoost-Hybrid, an adaptation of the Adaboost algorithm that takes into account mistakes made in all the previous iteration. Experimental results are very promising.Then, we are interested in another difficult problem, the prediction when the class is unbalanced. Thus, we propose an adaptive method based on boosted associative classification. The interest of using associations rules is allowing the focus on small groups of cases, which is well suited for unbalanced data. This method relies on 3 contributions: (1) FCP-Growth-P, a supervised algorithm for extracting class frequent itemsets, derived from FP-Growth by introducing the condition of pruning based on counter-examples to specify rules, (2) W-CARP associative classification method which aims to give results at least equivalent to those of existing approaches but in a faster manner, (3) CARBoost, a classification method that uses adaptive associative W-CARP as weak classifier. Finally, in a chapter devoted to the specific application of intrusion’s detection, we compared the results of AdaBoost-Hybrid and CARBoost to those of reference methods (data KDD Cup 99).

Le bus est le moins cher des transports en commun. En contrepartie, il est beaucoup plus difficile à exploiter que le tramway ou le métro qui sont mieux protégés des influences extérieures. Un exemple typique est l’apparition de trains de bus, groupes de véhicules appartenant à la même ligne et arrivant ensemble à un arrêt. Ce phénomène augmente le temps d’attente moyen des usagers aux arrêts et induit un mauvais usage des bus disponibles. Cette thèse développe les outils permettant de garantir la régularité des lignes. Les recherches menées au cours de cette thèse s’articulent suivant deux directions.Un premier constat est que les modèles de lignes de bus existants ne prennent pas en compte les éléments extérieurs que sont les feux de circulation et le trafic environnant. L’absence d’une modélisation mixte intégrant aussi bien les dynamiques internes des lignes que les influences extérieures contraint fortement la diversité des stratégies de contrôle qui ont été proposées jusqu’ici. En effet, les régulations s’appliquent principalement au niveau des arrêts par l’intermédiaire des conducteurs et ne cherchent jamais à réguler le trafic à l’aide des feux de circulation. Un premier axe de recherche développé dans cette thèse est le raffinement des modèles de bus pour prendre en compte le trafic.Plusieurs méthodes d’estimation de temps de parcours sur un boulevard à feu sont proposées. Elles sont basées sur le modèle LWR, compromis fort satisfaisant entre simplicité d’usage et robustesse pour reproduire des situations réelles.Un second constat est que les stratégies de régulation classiques ne sont que rarement basées sur une prévision à court-terme de l'état du système. Elles sont donc souvent actionnées une fois que la situation est trop dégradée, ce qui les rend parfois inaptes à compenser l'instabilité des lignes. Le deuxième axe de recherche consiste à appliquer les modèles raffinés dans un contexte d’exploitation en temps-réel. Le modèle prévoit l'évolution des lignes de bus à court terme, ce qui permet d’actionner préventivement une stratégie de régulation adaptée. En particulier, une méthode de prévision à court terme est développée et testée sur des données réelles. Elle est ensuite combinée à une méthode récente de contrôle des bus. / Bus is cheaper than other transport modes. However, maintaining optimal operations is harder than for streetcars or subways since buses are surrounded by traffic flows. Sometimes, buses of the same route bunch and travel together instead of keeping constant time headways. This phenomenon increases the average waiting time of passengers. As a result, they may tend to shift to other transport modes. This thesis proposes some methods to keep bus routes regular. Two main lines of research are investigated.First, classical models of bus routes do not account for external events like traffic signals and traffic flows. Due to this gap, existing control strategies only apply on buses through their drivers.Traffic flows are not controlled to favor buses compared to cars. Thus, the first area of research consists in refining bus models to account for external events. Several travel time estimation methods on urban arterials are proposed. They are based on the kinematic wave model (LWR). It is known to be a fine trade-off between simplicity and robustness to properly reproduce traffic dynamics.Second, control strategies are often applied once the bus route is too disrupted to be restored to regularity. Predictions of future bus route states could improve the efficiency of regulations. The second area of research consists in using the refined bus models in real time operations. The model forecasts the evolution of buses on their route for short-term. The predictions are evaluated thanks to real data to guarantee their quality. Then it enables regulations to be applied before bunching. In particular, height holding control methods are presented and compared in simulation.

Depuis quelques années les détecteurs à pixels hybrides ont ouvert la voie au développement de la tomographie à rayon X spectrale ou tomodensitométrie (TDM) spectrale. La TDM spectrale permet d’extraire plus d’information concernant la structure interne de l’objet par rapport à la TDM d’absorption classique. Un de ses objectifs dans l’imagerie médicale est d’identifier et quantifier des composants d’intérêt dans un objet, tels que des marqueurs biologique appelés agents de contraste (iode, baryum, etc.). La majeure partie de l’état de l’art procède en deux étapes : - la "pré-reconstruction" qui consiste à séparer les composants dans l’espace des projections puis reconstruire, - la "post-reconstruction", qui reconstruit l’objet puis sépare les composants.On s’intéresse dans ce travail de thèse à une approche qui consiste à séparer et reconstruire simultanément les composants de l’objet. L’état de l’art des méthodes de reconstruction et séparation simultanées de données de TDM spectrale reste à ce jour peu fourni et les approches de reconstruction existantes sont limitées dans leurs performances et ne tiennent souvent pas compte de la complexité du modèle d’acquisition.L’objectif principal de ce travail de thèse est de proposer des approches de reconstruction et séparation tenant compte de la complexité du modèle afin d’améliorer la qualité des images reconstruites. Le problème à résoudre est un problème inverse, mal-posé, non-convexe et de très grande dimension. Pour le résoudre, nous proposons un algorithme proximal à métrique variable. Des résultats prometteurs sont obtenus sur des données réelles et montrent des avantages en terme de qualité de reconstruction. / In recent years, hybrid pixel detectors have paved the way for the development of spectral X ray tomography or spectral tomography (CT). Spectral CT provides more information about the internal structure of the object compared to conventional absorption CT. One of its objectives in medical imaging is to obtain images of components of interest in an object, such as biological markers called contrast agents (iodine, barium, etc.).The state of the art of simultaneous reconstruction and separation of spectral CT data methods remains to this day limited. Existing reconstruction approaches are limited in their performance and often do not take into account the complexity of the acquisition model.The main objective of this thesis work is to propose better quality reconstruction approaches that take into account the complexity of the model in order to improve the quality of the reconstructed images. Our contribution considers the non-linear polychromatic model of the X-ray beam and combines it with an earlier model on the components of the object to be reconstructed. The problem thus obtained is an inverse, non-convex and misplaced problem of very large dimensions.To solve it, we propose a proximal algorithmwith variable metrics. Promising results are shown on real data. They show that the proposed approach allows good separation and reconstruction despite the presence of noise (Gaussian or Poisson). Compared to existing approaches, the proposed approach has advantages over the speed of convergence.

L'os humain est à la fois un matériau (tissu osseux) et une structure (e.g., le fémur). Les traumatismes engendrent des défaillances (fractures) structurelles évidentes de l'os, mais l'intégrité mécanique de celui-ci peut aussi être atteinte d'une manière insidieuse, et non moins dangereuse, par certaines maladies. Très schématiquement, on peut dire que les traumatismes sont la cause de macrofractures (à la structure-os), et les maladies la cause de microfractures (du matériau-os). Celles-ci se développent progressivement en macrofractures, et si des soins ne sont pas prodigués ou efficaces, l'os perd sa fonction de soutien. Cette thèse concerne essentiellement une des maladies de l'os : l'ostéoporose. Pour traiter cette maladie, et/ou prévenir les macrofractures dont elle est à terme la cause, il faut d'abord en faire le diagnostic. Ce problème est compliqué du fait qu'il s'agit d'une caractérisation (essentiellement mécanique) de matériau vivant et qu'il est impératif que le sondage soit de type non-destructif, surtout si l'examen doit se répéter souvent (notamment pour suivre les progrès d'un traitement). Le travail de cette thèse concerne donc le développement de nouvelles méthodes, et/ou l'amélioration de méthodes plus anciennes relatives à l'évaluation non-destructive (END) d'altérations mécaniques du tissu osseux en rapport avec l'ostéoporose. Comme l'END est aussi un terme employé pour la caractérisation de matériaux inertes, le domaine d'application de ce travail dépasse celui des matériaux vivants.